arXiv · cs.CL· Rumei Li·· 5 天前AI 评分32
ReflectPO：面向长程 LLM Agent 的反思引导策略优化
ReflectPO: Reflection-Guided Policy Optimization for Long-Horizon LLM Agents
来源与原文
arXiv · cs.CL
作者：Rumei Li
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.30933v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
研究者提出 ReflectPO，一个用于长程任务中自主错误恢复的强化学习框架，包含反思引导采样和树结构信用分配两个核心组件。在两个长程工具使用 benchmark 上，ReflectPO 在多数领域超越现有基线，平均总体性能最佳。分析显示该方法能提升 Agent 识别自身偏差、从错误状态恢复并持续推进任务的能力。
来源：arXiv · cs.CL · arxiv.org