ABSeeker: обучение поисковых агентов с длинным горизонтом через распределение наград методом обратного отслеживания ответа
Shanghai Jiao Tong University
Представляет Answer-Backtracked Credit Assignment (ABC) — метод, который прослеживает путь от финального ответа назад, чтобы восстановить промежуточные подсказки, необходимые для решения вопроса, превращая разреженные награды на уровне всей траектории в плотное, пошаговое обучающее сигнальное подкрепление для обучения поисковых агентов с длинным горизонтом.
Почему это важно
Полученный агент ABSeeker, построенный на Qwen3.5-4B всего с 8,5 тыс. обучающих примеров, вознаграждает полезные шаги даже внутри неудачных траекторий, предлагая более эффективный по данным способ обучать агентов многошаговым поисковым задачам с длинным горизонтом.
Важность: 2/5
Заметный результат по эффективности использования данных при обучении поисковых агентов с длинным горизонтом.