TSBPO

新的TSBPO方法优化交互式语言代理

研究人员推出了一种名为TSBPO的新型训练范式，旨在优化交互式语言代理。该方法解决了采样任务续接、分配延迟反馈以及聚合多token动作的token损失等挑战。TSBPO采用树状结构，并结合了似然拟合分配器，以目标那些可能产生不同终端结果的续接。当应用于Qwen2.5-1.5B actor时，TSBPO在ALFWorld和WebShop基准测试中取得了高成功率，优于标准的训练配置。