研究团队提出多轮Agent训练框架TreeHCA

2026年10月12日，研究人员在arXiv发布论文，提出面向多轮大语言模型Agent的训练框架TreeHCA。该框架将后见引导探索与后见信用分配相结合，旨在解决GRPO无法区分多轮轨迹中决策有效性的问题。具体机制上，TreeHCA利用参考答案似然变化重新访问中间历史，并构建推理与工具交互树，借助反向后见重要性校正及归一化树回溯生成轮次级优势。实验结果显示，在7个问答基准测试和3种千问（Qwen）骨干模型上，TreeHCA在综合精确匹配指标上均超越了所有基线方法。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。