arXiv cs.AI· Haoze Li, Peng Zhou, Peiyuan Wu, Weijie Zhao, Yinan Xin·· 8 小时前AI 评分32
VH-GPO：为 LLM 智能体强化学习设计的验证式师生交接方法
VH-GPO: Verified Handoff for LLM Agent Reinforcement Learning
AI 导读
VH-GPO 通过"结果验证的师生交接"解决 GRPO 在整组轨迹全部失败时相对优势归零的问题：教师仅提供足够支持到达学生可成功的状态，随后立即交还控制权，使成功经验仍由学生生成。
来源：arXiv cs.AI · arxiv.org