C3：用反事实延续为LLM智能体团队做信用分配

Yanjun Chen等人在arXiv提出C3，一种针对LLM智能体团队的信用分配方法：在共享上下文的运行轨迹中替换某条消息，再继续运行至终局奖励，以此得到该消息的反事实信用，作者称在蒙特卡洛误差内是无偏的。适用前提是团队通过共享上下文通信，下游智能体读取的内容都写入轨迹，使轨迹可视为状态、反事实可执行。实验方面，在2到10个决策点的6个工作流上，观测噪声符合作者推导的方差律（不含智能体数量项）；在2智能体链上，从4次延续得到的排名与16次延续参考的相关系数为0.69（两个参考之间一致度约0.73），同一批rollout训练的critic仅0.29。用作优势信号训练2智能体团队时，作者报告C3优于其比较中较强的基线MAGRPO，且因只重新生成决策点下游消息，训练token比MAPPO少37%。以上均为论文报告结果。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。