arXiv · cs.AI· Haoze Li, Peng Zhou, Peiyuan Wu, Weijie Zhao, Yinan Xin·· 1 天前
VH-GPO：为大语言模型智能体强化学习引入验证式师生交接
VH-GPO: Verified Handoff for LLM Agent Reinforcement Learning
arXiv:2610.14000v1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：Haoze Li, Peng Zhou, Peiyuan Wu, Weijie Zhao, Yinan Xin
研究任务与主要进展
Haoze Li等提出VH-GPO，用于在GRPO整组任务轨迹均失败、学习信号减弱时，通过冻结教师支持学生恢复至可成功完成任务的交接状态。基于论文摘要，该方法在有限搜索预算内选择最早的环境验证交接点，让成功经验重新由学生生成；在Qwen2.5-1.5B上，ALFWorld和WebShop成功率分别由GRPO的59.38%和71.62%提升至94.79%和77.34%。
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