TRACE:基於信用估計的長程智能體回合級獎勵分配方法

針對多輪智能體在長程任務中面臨的獎勵稀疏與信用分配難題,本文提出TRACE方法。傳統結局獎勵在長軌跡中方差高且易誤導,TRACE通過將軌跡轉化為工具調用邊界的狀態轉移序列,利用凍結參考模型的日誌概率構建對數比率狀態值估計,並據此推導基於時序差分變化的逐動作獎勵。該方法無需額外的批評家模型訓練,也不依賴過程標籤,能自動折疊冗餘調用步驟。在BrowseComp-Plus等基準測試上,該方法使Qwen3系列模型的搜尋能力從7.2大幅提升至35.6,無需冷啟動微調或在線數據訓練,展現了高效的強化學習優化潛力。

Sources