Tag: 奖励设计

All the articles with the tag "奖励设计".

• 7.0

  多轮强化学习训练工具调用 Agent：MT-GRPO 与迭代奖励校准

  2026年04月06日

  · arXiv cs.AI· 04/06 12:33 采集

  首次将 MT-GRPO 与 GTPO 结合用于工具调用 Agent 训练，发现基于规则的密集奖励比 LLM 判断更稳定，提出迭代奖励校准方法。