提出MCGPO方法改进长时程LLM智能体训练

Chenxu Zhang、Yaorui Shi 等在 arXiv 论文（2610.13755）中提出 Matched-Context Group Policy Optimization（MCGPO），用于改进长时程 LLM 智能体的策略训练。该方法通过匹配动作前的状态摘要与任务规则标注的评分进展，从已收集的 rollout 轨迹数据构造加权动作偏好，并保持无 critic 的训练方式。 作者在六个环境-模型组合设置（每个三个训练种子）上报告：与匹配的 GraphGPO 相比，MCGPO 在 ALFWorld 和 WebShop 上使用 Qwen2.5-1.5B 和 7B 时平均成功率提升 0.47–1.46 个百分点，在 WebShop 上使用 Qwen3-4B 和 8B 时分别提升 3.96 和 5.16 个百分点。以上为论文报告的结果，尚未见独立复现。

AI 根据报道生成 · 58 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。