ulab-uiuc提出CoPE：多步动作目标提升语言Agent RL样本效率

Haofei Yu 等（ulab-uiuc）在 arXiv 发布论文（基于摘要），提出语言智能体强化学习方法 CoPE：在成功的 on-policy 轨迹上，除行动与预测外增加多步动作目标，训练共享策略骨干根据每个历史生成后续动作序列，使 acting 与 forecasting 协同演化，并开源代码。推理时策略仍逐步执行动作，无额外开销。 作者称该方法在五个基准（ALFWorld、ScienceWorld、WebShop、τ²-bench、AppWorld）上验证，其中在 ScienceWorld 上样本效率最高分别达 ECHO 的 1.9 倍和 GRPO 的 2.0 倍；增益仅依赖单一策略骨干，不需要额外模型、单独预训练或推理开销。目前证据为论文摘要，尚未见独立复现。

AI 根据报道生成 · 3 小时前更新