arXiv · cs.AI· Huining Yuan, Zelai Xu, Huaijie Wang, Xiangmin Yi, Jiaxuan Gao, Xiao-Ping Zhang, Yu Wang, Chao Yu, Yi Wu·· 11 小时前
VPR可验证过程奖励改进智能体推理训练
Verifiable Process Rewards for Agentic Reasoning
arXiv:2605.10325v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Huining Yuan, Zelai Xu, Huaijie Wang, Xiangmin Yi, Jiaxuan Gao, Xiao-Ping Zhang, Yu Wang, Chao Yu, Yi Wu
研究任务与主要进展
作者提出可验证过程奖励（VPR）训练框架，将任务求解验证器用于为中间动作提供密集奖励，以改善长时程智能体任务的信用分配。基于论文摘要，Qwen3-4B在三种游戏环境中优于结果奖励GRPO和VinePPO，并联合数学数据与游戏环境取得最高的平均推理性能和智能体结果；在τ²-bench上，VPR式动作级监督也优于结果奖励GRPO，但依赖任务验证器的可用性与可靠性。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org