共计 12 篇文章

---

2026

08-31

SPPO：把长程推理折叠成序列级上下文赌博机，单样本也能稳定做 PPO

08-20

EFCA：把环境反馈变成多时间尺度信用——长程 Agent 的轻量 return 重加权

08-20

TRIAGE：给 Agent 动作标注语义角色——修正成功中的倒退与失败中的探索

08-20

Success Visitation Matching：用成功/失败访问比把稀疏奖励变成稠密过程奖励

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