TRACE(Turn-level Reward Assignment via Credit Estimation)提出一种无评论家的密集信用分配方法,通过冻结参考模型计算对数比率状态值并使用时序差分变化分配每步奖励,用于长程智能体强化学习,在BrowseComp-Plus基准上将Qwen3-4B从7.2提升至35…
机构:UW-Madison
来源:arXiv 2607.13988 | AI4Papers 论文推荐平台