LAPO：多轮搜索推理自生成过程奖励的留一归因法
英文标题：LAPO: Leave-One-Turn Attribution for Self-Generated Process Rewards in Multi-Turn Search Reasoning
针对多轮搜索推理的强化学习通常仅依赖终端结果奖励、无法区分中间交互质量的问题，研究者提出 LAPO 方法。LAPO 利用留一归因策略为每一轮交互自生成过程奖励，从而识别有用、冗余和有害的中间步骤。该方法有望提升搜索智能体在复杂多轮推理任务中的精准度与效率，对构建更可靠的对话式搜索代理具有重要价值。
打开原文相关 4 · 机会 0
2.1 KB
612 B
380 B
9.1 KB
32.7 KB
22.8 KB
24.2 KB
34.7 KB
中文
arXiv:2607.13501v1 公告类型：新提交
多轮搜索推理的强化学习通常依赖终端结果奖励，无法区分有用、冗余和有害的中间交互。我们提出 LAPO，一种基于留一归因的自生成过程监督方法……
BibTeX 格式引用
English / 原文
BibTeX formatted citation
×