TSBPO提出树结构方法优化交互式智能体训练
热点事件持续更新
TSBPO提出树结构方法优化交互式智能体训练
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
Rui Yu、Chong Mu 和 Jinchuan Zhang 提出交互式语言智能体策略优化方法 TSBPO，通过树结构采样与更新机制，改进智能体的轨迹采样、延迟反馈归因和多 token 动作的策略梯度计算。 该方法采用 Root/Branch 分配器，并结合轨迹优势与观测组步优势进行训练。在 Qwen2.5-1.5B 模型上，TSBPO 在 ALFWorld 已见任务和未见任务上的随机成功率分别达到 97.79% 和 96.64%；在 WebShop 的 500 个测试目标上，单回合成功率达到 81.07%。消融实验中，移除 WebShop 的步级奖励项后，同一训练步数下的成功率降至 75.93%。
AI 根据报道生成 · 2 小时前更新
最新进展11月2日 13:00
TSBPO：面向交互式语言智能体策略优化的树结构分支方法报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv · Machine LearningTSBPO：面向交互式语言智能体策略优化的树结构分支方法
TSBPO 提出一种树结构采样与更新训练范式，通过 Root/Branch 分配器、轨迹优势和观测组步优势，优化交互式语言智能体的采样、延迟反馈归因及多 token 动作的策略梯度计算。基于 Qwen2.5-1.5B，在 ALFWorld 上取得 97.79% 的已见任务和 96.64% 的未见任务随机成功率，在 WebShop 的 500 个测试目标上取得 81.07% 的单回合成功率。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。