arXiv 2026年10月12日智能体强化学习不再只靠自己摸索：失败轨迹在采样时被就地纠正，导航通过率从35%升到57%阿里团队提出采样时干预（RTI），在整组轨迹全部失败时用奖励侧评分标准就地纠正关键错误步骤，让智能体强化学习学到原本探索不到的成功轨迹，导航基准Pass@1从GRPO的35.33升到57.33。阿里团队提出采样时干预（RTI），在整组轨迹全部失败时用奖励侧评分标准就地纠正关键错误步骤，让智能体强化学习学到原本探索不到的成功轨迹，导航基准Pass@1从GRPO的35.33升到57.33。Alibaba Group (China)The Hong Kong University of Science and Technology (Guangzhou)Chen Xi（第一作者）#推演时干预#奖励感知多智能体干预#基于困惑度的分布门控#推理偏移感知的Token重加权#智能体强化学习