Njx'Log
|
English
文章
报告
归档
搜索
关于
主页
标签
credit-assignment
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。