论文提出 ReflectPO 强化学习框架，提升长程智能体错误恢复能力。
资讯摘要
论文提出 ReflectPO，一个用于长程任务自主错误恢复的强化学习框架，包含反思引导采样与树状信用分配两个核心组件。前者利用交互轨迹中的分支差异和重复访问构造错误恢复提示，后者将采样轨迹组织为树，用父子奖励差与恢复增益分配动作级信用。作者报告在两个长程工具使用基准上，该方法在多数领域优于多个现有基线，平均总体表现最佳。
要点速读
- ReflectPO 由反思引导采样和树状信用分配两部分组成，目标是让智能体在长程任务中自主识别偏差并从错误状态恢复。
- 反思引导采样利用轨迹中的分支差异与重复访问构造恢复提示；树状信用分配按父子奖励差和恢复增益给出动作级信用。
- 作者报告在两个长程工具使用基准上多数领域优于现有基线，平均总体表现最佳。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。