提出CrEST框架改进多轮Agent的轮次信用分配

Zechuan Wang 等在 arXiv 发布论文，提出 CrEST 多轮信用分配框架，针对 RLVR 在多轮工具使用 Agent 中将各轮结果合并为单一奖励、导致轮间信用稀释的问题。该框架用验证器锚定的优势为轮次分配信用，并以熵门控的自教师提供令牌级幅度信号。 论文摘要称，CrEST 在 BFCL V3 和 WildToolBench 上、两种模型规模下持续优于 RL 与蒸馏基线，长轨迹和严格会话级指标收益最大。以上为作者声称，基于论文摘要，尚未有独立复现。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。