APPO:智能体过程化策略优化详解
APPO 把 RL 分叉点放在高不确定且高影响的 token 上,而非工具调用边界,在 13 个基准上让 Qwen2.5-7B 比 ARPO 高 3.9 分。
机构
Southern University of Science and Technology
位于深圳的公立研究型大学,以理工与机器学习研究见长。
Research Papers Research Papers 机构
位于深圳的公立研究型大学,以理工与机器学习研究见长。
APPO 把 RL 分叉点放在高不确定且高影响的 token 上,而非工具调用边界,在 13 个基准上让 Qwen2.5-7B 比 ARPO 高 3.9 分。