MRTPO：多奖励RL的奖励特定token级信用分配

论文作者提出 MRTPO，一种面向多奖励强化学习的奖励特定 token 级信用分配方法：它通过基于回放的相关性度量，把每个奖励的优势只分配给与其相关的 token，无需辅助模型或 token 级标注。 具体做法是让策略在带与不带某奖励验证器信息两种情况下回放自身回复，用逐 token 的 Jensen-Shannon 距离衡量相关性并重新分配优势。作者称，在 text-to-SQL、多约束指令遵循和工具调用任务上，MRTPO 相比对比方法收敛更快、性能更好。

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。