跳到正文
实时
热点事件历史事件

多尺度策略优化用于LLM代理

1 篇报道1 个报道来源22 天前更新

先了解这件事

AI 综述

Multiscale Policy Optimization (MPO) 通过在回合尺度上对齐信用分配和政策更新来改进长时程 LLM 智能体训练。在搜索、工具使用和自动化任务上使用 4B 和 30B-A3B 模型的实验表明,MPO 比强 RL 基线有持续提升。

AI 根据报道生成 · 更新于 21 天前

报道时间线

沿着报道,了解事件的不同侧面。

10月28日
  1. Hugging Face Daily Papers
    多尺度策略优化用于长时程LLM代理

    Multiscale Policy Optimization (MPO) 通过在回合尺度上对齐信用分配和政策更新来改进长时程 LLM 智能体训练。在搜索、工具使用和自动化任务上使用 4B 和 30B-A3B 模型的实验表明,MPO 比强 RL 基线有持续提升。