Reward-Rate Policy Gradient：让 agent RL 学会为执行时间买单
sherryyangML · x · 2026-10-14
新论文提出 Reward-Rate Policy Gradient（RPG）：在半马尔可夫决策过程（semi-MDP）框架下，优化单位时间内的奖励，而非固定步数的回报。
动机：对自动科研与机器学习工程（MLE）类 agent，一个动作可能执行几秒也可能跑几小时，传统的固定步长 MDP 无法刻画这种时间成本差异。RPG 让策略在「更快完成」与「更高奖励」之间显式权衡，适合长时间动作开销显著的 agent 训练场景。
所属事件:RPG 时间感知强化学习提效 85.7% 超越 vanilla RL(2 条相关)→
「编程与Agent」频道最新
- 「Vibe coding」已过时:迭代式提示词才是当前开发常态 — dbasch · 2026-10-14
- 12GB 显存跑 256K 上下文，Qwen 新模型本地部署方案开源 — Present_Resource4022 · 2026-10-14
- 把设计画布交给 Agent:一篇文章讲透 Agentic 设计工作站 — floguo · 2026-10-14
- 开发者实测后感叹：RAG 并没有死 — jakedahn · 2026-10-14
- 多智能体实验:84% 消息仍涌向 lead,worker 互聊几乎为零 — nouhadziri · 2026-10-14
- Sol lead 带 16 个便宜 planner:接近全 Sol 团队成绩,成本省 70% — nouhadziri · 2026-10-14