跳到主要内容
检索

# 分层信用分配

2 篇关联报道

订阅更新
  1. arXiv

    文生视频联合后训练不再共用一份奖励：提示与生成器分开记功，LTX-2.5上组合指标从61.47升到64.46

    FlowCred把文生视频联合后训练里的同一份终端奖励拆成提示级信用与生成器残差，并在LTX-2.5上把严格匹配的联合训练对照从61.47提升到64.46（T2V-CompBench），且不增加解码视频或奖励模型调用预算。

    Hong Kong University of Science and TechnologyShanghai Jiao Tong UniversityUniversity of Hong KongSouth China University of Technology
    Mingxuan Zhu（第一作者）
    FlowCred框架分层信用分配功能协调文本到视频生成Flow-GRPO
  2. arXiv

    AlignOPSD 把长程智能体的监督对齐到功能决策而非时间戳，在 ALFWorld、WebShop、Search-QA 上比 GRPO 提升 5.5–8.7%

    该工作识别出长程智能体在策略自蒸馏中的“决策—时间戳错配”：特权指导所对应的决策可能出现在不同时间步，且学生的一个功能决策可能跨越多个时间步，为此提出 AlignOPSD，先用跨兄弟轨迹的功能对应关系校正特权监督，再以半马尔可夫分层信用分配在可变时长决策跨度上分配结果导向的信用，并在 Qwen2.5-3B/7B 上于 ALFWorld、WebShop、Search-QA 三个基准的八个骨干—聚合指标比较中全部优于 GRPO（提升 5.5–8.7%），其中六项排名第一。

    Beihang UniversityTsinghua University
    Mingju Chen（第一作者）
    AlignOPSD在线策略自蒸馏分层信用分配大语言模型智能体智能体强化学习

已读完全部报道