arXiv cs.AI· Huining Yuan, Zelai Xu, Huaijie Wang, Xiangmin Yi, Jiaxuan Gao, Xiao-Ping Zhang, Yu Wang, Chao Yu, Yi Wu·· 9 小时前AI 评分28
VPR：面向智能体推理的可验证过程奖励框架
Verifiable Process Rewards for Agentic Reasoning
AI 导读
研究者提出可验证过程奖励（VPR）训练框架，将任务求解 oracle 复用为动作级过程验证器，为中间动作提供稠密奖励，实现细粒度信用分配。VPR 在 Sokoban、Sudoku、Minesweeper 三种环境训练 Qwen3-4B，性能均超过结果奖励的 GRPO 和 VinePPO；联合数学数据与三个游戏环境训练时取得最高平均通用推理表现。
来源：arXiv cs.AI · arxiv.org