TreeOPSD

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。