arXiv ID:
2607.04963
arXiv 提交日期: 2026-07-06
STAPO:面向LLM智能体训练的选择性轨迹感知策略优化 / STAPO: Selective Trajectory-Aware Policy Optimization for LLM Agent Training
1️⃣ 一句话总结
本文提出了一种名为STAPO的强化学习框架,通过引入“归一化熵”精准识别智能体在执行长期任务时因稀疏奖励而导致的“轨迹忽视”问题,并针对这些关键步骤施加轨迹感知奖励与惩罚,从而显著提升大语言模型智能体在复杂任务中的表现和稳定性。