信用分配 LLM-DailyDigest 2026-08-16 2026-08-16 约 100 字 预计阅读 1 分钟 信用分配 本主题由提交工具自动创建，可在此补充洞察与资料。 相关消息（按子主题自动聚合） 价值估计 4 VAST：自适应时间尺度的离线价值缝合 10-25 TPPO：面向语言模型推理的价值跟踪 PPO 10-18 Le Critique：用于 LLM 强化学习的特权价值函数 08-18 错误但有用：多智能体消息的轨迹价值超越答案正确性 08-17 信用分配 32 ConCal：通过续程共享校准长程智能体动作价值 10-29 FOCUS：面向长程语言智能体的主动评论家学习 10-27 S3AC：面向 LLM 推理的稳定、选择性、可扩展 Actor-Critic 10-27 细粒度信用分配何时助益或损害多模态智能体强化学习 10-27 DTCA：扩散语言模型强化学习的去噪词元信用分配 10-27 面向长程 LLM 智能体的多尺度策略优化 10-27 TWICE：同噪声孪生世界的智能体强化学习信用分配 10-23 RIPPLE：面向长程编程智能体的恢复内化与阶段化信用分配 10-23 CATS：面向多智能体系统的对比归因拓扑搜索 10-22 ReAPO：面向高效探索的重试感知策略优化 10-22 AtomicRL：面向长程机器人操作的原子强化学习 10-22 Self-Credit：长程智能体强化学习的组内重缩放信用分配 10-21 TrajEvolve：基于事后信用分配的强化学习轨迹演化 10-21 FALCA：面向长程深度搜索智能体的证伪感知强化学习与分层信用分配 10-21 MGE-PO：面向数学推理的熵感知信用分配 10-19 TreeOPSD：面向长程智能体强化学习的树感知后验蒸馏 10-19 多轮搜索智能体强化学习中的证据归因 GCA 10-19 蒸馏直至分歧：面向智能体强化学习的错误截断后见蒸馏 10-19 PACE：以成对词元对比与自适应轨迹置信度增强多模态 RLVR 10-18 Mosaic：多会话智能体强化学习 10-18 MRTPO：多奖励强化学习的奖励特定词元级信用分配 10-18 OpCredit：面向智能体知识图谱问答的操作感知策略学习 10-18 KnowGPO：面向深度搜索智能体的知识分组策略优化 10-18 用于算术推理的 Bellman 一致轨迹强化学习 10-18 SCAPO：半事实信用增强策略优化 10-09 MemTrial：让投资组合智能体学会何时信任记忆 10-09 超越结果奖励：搜索智能体的检索信用构建与分配 10-08 SCAPO：基于半事实稳定性的细粒度信用分配优化 10-01 Trust the Critic More：基于动作分块的 Actor-Critic 训练 10-01 PEPO：基于邻近熵的 RLVR 词元级信用分配 10-01 GraphHCA：长程 LLM 智能体的闭式事后信用分配 09-30 CrEST：面向多轮多步 LLM 智能体的验证器约束信用分配 08-16 信用审计 1 无真值信用：基于执行回放审计 LLM 智能体的步骤级信用分配 08-21 反思优化 1 SRPO：面向长程推理的自反思策略优化 08-25 图像编辑 1 DARS：面向指令图像编辑的双层信用分配强化学习 08-21 在策略蒸馏 7 GR-OPD：面向在策略蒸馏的组相对序列信用分配 10-19 Road MOPD：跨教师防护的多教师在策略蒸馏 10-18 Residual Advantage：面向 RLVR 的学生相对教师引导 10-10 领域归一化的多教师在策略蒸馏 09-30 UniOPSD：统一结果与后见反馈的智能体强化学习 09-30 超越时间戳：长程智能体的决策对齐在策略蒸馏 09-29 γOPD：奖励兼容的时序信用分配在策略蒸馏 09-16 多智能体系统 2 去中心化智能体群的自编排学习 10-18 HySTAR：锚定超图实现协作式多智能体稳定信用分配 09-28 多模态推理 1 TPAE：词元级感知扎根优势估计强化多模态推理 10-01 奖励建模 1 DRACO：动态评分准则驱动的长程智能体细粒度信用分配 09-07 奖励机制设计 4 RewardWeaver：面向长程语言智能体的自进化奖励适配 10-08 GAGAR：代码智能体强化学习的分组评分与优势重分配 09-30 SLCA-GRPO：纠正工具调用强化学习的跨片段信用归因 09-29 ProCredit：从结果奖励转向智能体进度信用分配 09-24 奖励蒸馏 1 ADRS：Token级自蒸馏奖励塑造提升长链路智能体训练 09-16 对应关系审计 1 跨视图对应是一种测量干预：智能体评测与信用分配的双向验证 08-19 强化学习 2 CRBC：长程智能体强化学习的跨轨迹贝尔曼闭包 09-30 TGRL：温度分组强化学习提升 LLM 探索效率 09-29 技能优化 1 WER：通过执行反馈强化学习实现技能优化 08-19 推理优化 1 GMTS：基于梯度幅度的词元选择改进大模型 RLVR 推理训练 09-01 提示优化 1 SCOPE：文生图提示工程的语义有界信用优化 10-18 智能体微调 1 Agentic ESOpt：低显存微调长时程 LLM 智能体 08-20 智能体训练 2 WebCoder：基于可执行产物反馈的通用前端开发智能体 10-19 Critical-State RL：诊断多轮工具调用中的可训练状态 09-22 程序进化 1 AGAR：面向 LLM 程序进化的强化学习基座 10-08 策略优化 12 ReflectPO：反思引导的长程智能体策略优化 10-23 一策多表：面向长程智能体的效果边缘策略优化 10-22 策略梯度估计中的基线与得分中心化 10-18 SIPO：面向树结构智能体强化学习的选择性推断策略优化 09-30 ASCT：反事实树注意力搜索实现智能体强化学习信用分配 09-30 EAPO：面向 LLM 推理探索的熵引导信用分配 09-29 PACT：从信用分配到评论器对齐 09-23 InfoPPO：信息时间近端策略优化 09-22 EPIG-Tree：面向梯度效率的计算最优分支策略 09-18 BATON：面向 LLM 智能体的双轴策略优化 09-18 TASPO：协调过程监督与结果信用的智能体策略优化 09-01 SAPO：面向智能体强化学习的单轨迹自回归策略优化 08-21 脚手架演化 1 RRSI：正则化智能体 Harness 递归自我改进框架 10-08 自我改进 1 现代智能体自我改进：从模型更新到脚手架演化 08-20 自蒸馏 2 Pivot-SD：掩码扩散语言模型的高效自蒸馏 10-08 DCSD：解耦信用方向与幅度的自蒸馏方法 09-30 视觉推理 1 ReaLVR：以视觉证据约束潜空间视觉推理 09-30 记忆能力评测 1 MemCalib：评测与优化 LLM 智能体的记忆使用 09-22 评测审计 1 智能体轨迹错误归因：表示框架与方法分类 09-10 迁移能力评测 1 多执行框架强化学习中的信用分配与可迁移性 09-07 过程信用分配 1 MileGPO：基于局部证据的长程智能体里程碑信用分配 08-21 过程奖励模型 1 World Potential Model：用预训练世界知识评估智能体任务进展 10-08 逆序优化 1 RTPO：以逆序轮次优化稳定智能体强化学习训练 08-20 递归自我改进 1 DiscoveryRSI：递归学习发现高价值科学假设 10-19 长期记忆 2 Uni-Mem：统一在线策略优化的长程智能体记忆管理器 10-22 Hy-Memory-30B-A3B：归因强化学习驱动的长期记忆写入 10-18
