共计 39 篇文章

---

2026

08-20

G2PO：把多条 Agent 轨迹合成状态图——用全局边增益分配长程信用

08-20

VIMPO：策略本身就是隐式价值函数——无 critic 的 Bellman 信用分配

08-20

FlowTracer：把注意力变成守恒信息流——定位通向答案的 token 推理骨干

08-20

Temporal Scheduling for RLVR：信用不只分给谁，还要决定何时纳入哪些 token

08-20

SCRL：从推理链生成可验证子问题——让失败 rollout 也产生细粒度信用

08-20

DelTA：从隐式判别器到 token 级信用分配——方法、公式与完整数值推演

08-20

综述｜From Reasoning to Agentic：LLM 强化学习信用分配的统一地图与识别边界

08-20

HCAPO：用结局反看关键动作——长程 LLM Agent 的事后信用分配

08-20

Open-MOPD：诊断并修复多教师 On-Policy 蒸馏中的能力失衡

08-18

SAO: 面向智能体强化学习的单轨迹异步优化