Debajoy Mukherjee

多轮LLM智能体的训练把探索和信用分配绑在同一套事后评分上：回看那些降低参考答案概率的回合、从同一父历史另采分支，再用逆权重把结果折算回原策略，在七个问答基准和三个Qwen骨干上取得最高聚合精确匹配。

多轮LLM智能体的训练把探索和信用分配绑在同一套事后评分上：回看那些降低参考答案概率的回合、从同一父历史另采分支，再用逆权重把结果折算回原策略，在七个问答基准和三个Qwen骨干上取得最高聚合精确匹配。