TSBPO：树结构采样优化交互式语言智能体训练
训练交互式智能体奖励太稀疏的同学可以看这篇，TSBPO 用树结构采样分配延迟奖励，Qwen2.5-1.5B 就在 ALFWorld 跑到 97% 成功率。
#TSBPO
共 1 条 · 7 天 1 条 · 30 天 1 条
信息流里打上「TSBPO」标签的资讯、产品与论文，按刊登时间排，新的在上。
11月2日
训练交互式智能体奖励太稀疏的同学可以看这篇，TSBPO 用树结构采样分配延迟奖励，Qwen2.5-1.5B 就在 ALFWorld 跑到 97% 成功率。