本文通过一个统一可控的多回合环境,系统研究了预训练、GRPO/OPD后训练以及多教师OPD后训练三个阶段中长程规划能力的获取、塑造和整合,发现显式世界模型构建、长程数据引入和高质量轨迹对规划能力至关重要,并分析了不同策略的适用边界。
机构:中科院
来源:arXiv 2607.24720 | AI4Papers 论文推荐平台
AI4Papers 是一个以每日 arXiv 论文发现为入口的 AI 科研工作流平台,帮助研究者用最短时间掌握最新 AI/ML 前沿动态。
核心功能完全免费。高级 AI 功能(对比分析、深度研究、灵感工作台)支持自带兼容 API Key(如 OpenAI、通义千问)无限使用。
免费注册 | 使用教程