arXiv 机器学习· Haoze Li, Peng Zhou, Peiyuan Wu, Weijie Zhao, Yinan Xin·· 9 小时前AI 评分36
VH-GPO：面向大语言模型智能体强化学习的验证交接方法
VH-GPO: Verified Handoff for LLM Agent Reinforcement Learning
AI 导读
研究者提出面向大语言模型智能体强化学习的验证交接方法 VH-GPO，通过教师模型修复失败状态并在验证可行后尽早归还控制权，确保成功轨迹由学生生成。在 Qwen2.5-1.5B 上，VH-GPO 相比 GRPO 将 ALFWorld 成功率从 59.38% 提升至 94.79%，WebShop 成功率从 71.62% 提升至 77.34%。
来源：arXiv 机器学习 · arxiv.org