提出APPO方法,通过基于Branching Score的细粒度决策点分支和过程级优势缩放,改进多轮工具使用代理的强化学习信用分配,在13个基准上平均提升约4个百分点。
机构:阿里
来源:arXiv 2606.12384 | AI4Papers 论文推荐平台