基于分解子任务的强化学习

英文标题：Reinforcement Learning with Decomposed Subtasks

论文研究用于训练语言模型 Agent 的 Group Relative Policy Optimization（GRPO）及相关策略梯度方法。这类方法通常会将完整的多轮 rollout 压缩为单一的标量轨迹奖励，再用于策略更新。论文聚焦于由多个子任务组成的复杂任务，探讨通过分解子任务进行强化学习训练的思路，其目标是改善多步骤 Agent 任务中的奖励分配与学习效果。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB