论文研究 arXiv cs.LG Fri, 17 Jul 2026 正文 thin 4 words

分支策略优化：沙箱原生的语言智能体强化学习

英文标题：Branching Policy Optimization: Sandbox-Native Language Agent Reinforcement Learning

一篇新 arXiv 论文（2607.14171v1）提出了“分支策略优化”（Branching Policy Optimization, BPO），这是一种原生利用沙箱分支行为的语言智能体强化学习方法。当前主流算法如 PPO、RLOO 和 GRPO 直接沿用了 RLHF 的轨迹展开拓扑，在每个提示下独立采样多条轨迹，未能有效利用沙箱交互中天然存在的分支信息。BPO 旨在突破这一限制，有望提升智能体在代码执行、工具调用等任务中的样本效率和学习效果，为构建更强大的自动化编程代理提供了新方向。

打开原文相关 3.2 · 机会 2