面向长视野大模型智能体的多尺度策略优化
该预印本论文提出 Multiscale Policy Optimization (MPO) 方法,旨在解决长视野 LLM 智能体在逐 token 生成动作时面临的信用分配难题。
该预印本论文提出 Multiscale Policy Optimization (MPO) 方法,旨在解决长视野 LLM 智能体在逐 token 生成动作时面临的信用分配难题。
论文介绍 Cowork-Gym 框架,利用构建、执行和修订循环合成包含状态感知用户模拟器的交互式工作环境,涵盖工具依赖与共享工作区编辑。研究合成了 64.9K 个环境并用于微调 Qwen 系列模型(9B/27B/35B),在六个代理基准上平均表现优于基线,其中 27B 版本在 PawBench 和 ClawEval 上得分最高,超越百十亿参数模型。