阿里巴巴 Accio 团队联合复旦大学、上海创新研究院提出 Neos,将数据构造、过程奖励与环境协同进化纳入统一训练框架,使 9B 与 35B 参数模型在四项代表性多模态搜索基准上接近顶尖闭源模型。其核心在于构造带视觉检查点的多跳任务,并通过四阶段过滤剔除捷径,让中间视觉证据真正影响智能体的下一步决策。
术语slug: credit-assignment
信用分配
Credit Assignment
强化学习中确定轨迹中各动作对最终结果贡献程度的问题。
收录情报动态
量子位 (微信公众号)T2·智能体与协同
74 分
量子位 (微信公众号)T2·智能体与协同
72 分
清华大学季向阳团队与腾讯提出 TreeOPSD,通过树式轨迹采样与轮次级信用估计改进长程 Agent 强化学习中的信用分配问题。在 Qwen3-30B-A3B-Thinking-2507 上,四项 Deep Research 评测平均 Exact Match 达 21.20%,较 GRPO 的 16.23% 提升 4.97 个百分点。
新智元 (微信公众号)T2·基座大模型
58 分
针对共情语音对话中多阶段推理的局部误判沿链条传播的问题,香港中文大学与微软团队提出 EchoChat,将感知、心智理论推理、策略规划与语音回复生成纳入统一优化框架,用级联门控奖励约束阶段依赖,并以步骤级信用分配提供针对性更新信号。该工作已被 NeurIPS 2026 收录,核心贡献是把共情从输入到回复的直接映射,改为可分解、可定位偏差的认知过程建模。
AWS Machine Learning BlogT1·开发与工程
42 分
亚马逊发布 Amazon SageMaker AI 多轮强化学习(MTRL)实操指南,旨在解决智能体任务中单步监督微调无法有效归因长序列决策的问题。该方案通过连接 Bedrock AgentCore 或自建基础设施,基于最终任务成功与否的稀疏奖励信号训练模型,支持复杂的多步交互场景。
Google ResearchT1·智能体与协同
78 分
针对现有智能体管线在长视频生成中面临的语义漂移与级联失效问题,谷歌团队提出了一种新的自动化框架。该研究通过优化提示词结构与错误追溯机制,显著提升了跨镜头的角色一致性与叙事连贯性,减少了人工干预需求。