7 轮交互失败了该怪谁:奖励归因怎么进 GRPO/GSPO

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。

2026-08-31 · 10 分钟 · 4896 字 · njx