精选

SLCA-GRPO：解决工具调用强化学习中的跨段信用分配错误

具备工具调用能力的智能体通常交替生成结构化工具调用和自然语言总结。现有同策略强化学习算法（如GRPO）由于将整条轨迹的单一优势值无差别广播至所有Token，导致总结生成中的梯度噪声泄漏至工具决策Token，引发跨段信用分配错误与优化不稳定。为此，研究者提出了SLCA-GRPO框架，通过引入分段锁定的信用分配机制，有效隔离噪声并提升了工具调用策略训练的鲁棒性。