arXiv ID:
2607.07508
arXiv 提交日期: 2026-07-08
单轨迹异步优化方法用于智能体强化学习 / Single-Rollout Asynchronous Optimization for Agentic Reinforcement Learning
1️⃣ 一句话总结
本文提出了一种名为SAO的新型异步强化学习方法,通过用单条轨迹采样替代传统的分组采样,并引入严格的词级剪辑策略,解决了大语言模型在智能体任务中训练不稳定和策略偏差问题,显著提升了代码生成和数学推理等复杂任务的性能。