RSI(递归自我改进)常被混为一谈。把自我改进拆成数据、奖励、系统三个闭环,各自的成立条件和失效模式并不相同。
多轮 agentic RL 里一条轨迹只有一个最终奖励,第几轮的错该怎么分摊?形式化、归因谱系,以及 GSPO-token 留的口子。