Agentic Reinforcement Learning with Implicit Step Rewards
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Liu, Xiaoqian, Wang, Ke, Wu, Yuchuan, Huang, Fei, Li, Yongbin, Zhang, Junge, Jiao, Jianbin |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
EPO: Explicit Policy Optimization for Strategic Reasoning in LLMs via Reinforcement Learning
par: Liu, Xiaoqian, et autres
Publié: (2025)
par: Liu, Xiaoqian, et autres
Publié: (2025)
CPO: Addressing Reward Ambiguity in Role-playing Dialogue via Comparative Policy Optimization
par: Ye, Xinge, et autres
Publié: (2025)
par: Ye, Xinge, et autres
Publié: (2025)
MOA: Multi-Objective Alignment for Role-Playing Agents
par: Liao, Chonghua, et autres
Publié: (2025)
par: Liao, Chonghua, et autres
Publié: (2025)
SDPO: Segment-Level Direct Preference Optimization for Social Agents
par: Kong, Aobo, et autres
Publié: (2025)
par: Kong, Aobo, et autres
Publié: (2025)
Fine-Tuning Language Models with Reward Learning on Policy
par: Lang, Hao, et autres
Publié: (2024)
par: Lang, Hao, et autres
Publié: (2024)
Reward Modeling from Natural Language Human Feedback
par: Wang, Zongqi, et autres
Publié: (2026)
par: Wang, Zongqi, et autres
Publié: (2026)
P-GenRM: Personalized Generative Reward Model with Test-time User-based Scaling
par: Zhang, Pinyi, et autres
Publié: (2026)
par: Zhang, Pinyi, et autres
Publié: (2026)
FlowBench: Revisiting and Benchmarking Workflow-Guided Planning for LLM-based Agents
par: Xiao, Ruixuan, et autres
Publié: (2024)
par: Xiao, Ruixuan, et autres
Publié: (2024)
StepPO: Step-Aligned Policy Optimization for Agentic Reinforcement Learning
par: Wang, Daoyu, et autres
Publié: (2026)
par: Wang, Daoyu, et autres
Publié: (2026)
Stop Rewarding Hallucinated Steps: Faithfulness-Aware Step-Level Reinforcement Learning for Small Reasoning Models
par: Nie, Shuo, et autres
Publié: (2026)
par: Nie, Shuo, et autres
Publié: (2026)
TimeHC-RL: Temporal-aware Hierarchical Cognitive Reinforcement Learning for Enhancing LLMs' Social Intelligence
par: Hou, Guiyang, et autres
Publié: (2025)
par: Hou, Guiyang, et autres
Publié: (2025)
Self-supervised Pretraining for Decision Foundation Model: Formulation, Pipeline and Challenges
par: Liu, Xiaoqian, et autres
Publié: (2023)
par: Liu, Xiaoqian, et autres
Publié: (2023)
Enhancing the General Agent Capabilities of Low-Parameter LLMs through Tuning and Multi-Branch Reasoning
par: Zhou, Qinhao, et autres
Publié: (2024)
par: Zhou, Qinhao, et autres
Publié: (2024)
OpenReward: Learning to Reward Long-form Agentic Tasks via Reinforcement Learning
par: Hu, Ziyou, et autres
Publié: (2025)
par: Hu, Ziyou, et autres
Publié: (2025)
RLAR: An Agentic Reward System for Multi-task Reinforcement Learning on Large Language Models
par: Feng, Andrew Zhuoer, et autres
Publié: (2026)
par: Feng, Andrew Zhuoer, et autres
Publié: (2026)
Reinforcement Learning with Verifiable Rewards Implicitly Incentivizes Correct Reasoning in Base LLMs
par: Wen, Xumeng, et autres
Publié: (2025)
par: Wen, Xumeng, et autres
Publié: (2025)
Reverse Preference Optimization for Complex Instruction Following
par: Huang, Xiang, et autres
Publié: (2025)
par: Huang, Xiang, et autres
Publié: (2025)
Process Reinforcement through Implicit Rewards
par: Cui, Ganqu, et autres
Publié: (2025)
par: Cui, Ganqu, et autres
Publié: (2025)
CogDual: Enhancing Dual Cognition of LLMs via Reinforcement Learning with Implicit Rule-Based Rewards
par: Liu, Cheng, et autres
Publié: (2025)
par: Liu, Cheng, et autres
Publié: (2025)
Masked Thought: Simply Masking Partial Reasoning Steps Can Improve Mathematical Reasoning Learning of Language Models
par: Chen, Changyu, et autres
Publié: (2024)
par: Chen, Changyu, et autres
Publié: (2024)
Act-Adaptive Margin: Dynamically Calibrating Reward Models for Subjective Ambiguity
par: Fang, Feiteng, et autres
Publié: (2025)
par: Fang, Feiteng, et autres
Publié: (2025)
Socratic-PRMBench: Benchmarking Process Reward Models with Systematic Reasoning Patterns
par: Li, Xiang, et autres
Publié: (2025)
par: Li, Xiang, et autres
Publié: (2025)
Code Aesthetics with Agentic Reward Feedback
par: Xiao, Bang, et autres
Publié: (2025)
par: Xiao, Bang, et autres
Publié: (2025)
Curing Miracle Steps in LLM Mathematical Reasoning with Rubric Rewards
par: Yuan, Youliang, et autres
Publié: (2025)
par: Yuan, Youliang, et autres
Publié: (2025)
Self-Guided Process Reward Optimization with Redefined Step-wise Advantage for Process Reinforcement Learning
par: Fei, Wu, et autres
Publié: (2025)
par: Fei, Wu, et autres
Publié: (2025)
LogicReward: Incentivizing LLM Reasoning via Step-Wise Logical Supervision
par: Xu, Jundong, et autres
Publié: (2025)
par: Xu, Jundong, et autres
Publié: (2025)
Unleashing Implicit Rewards: Prefix-Value Learning for Distribution-Level Optimization
par: Gao, Shiping, et autres
Publié: (2026)
par: Gao, Shiping, et autres
Publié: (2026)
Safe Reinforcement Learning with Free-form Natural Language Constraints and Pre-Trained Language Models
par: Lou, Xingzhou, et autres
Publié: (2024)
par: Lou, Xingzhou, et autres
Publié: (2024)
StepTool: Enhancing Multi-Step Tool Usage in LLMs via Step-Grained Reinforcement Learning
par: Yu, Yuanqing, et autres
Publié: (2024)
par: Yu, Yuanqing, et autres
Publié: (2024)
Improving Factual Consistency of News Summarization by Contrastive Preference Optimization
par: Feng, Huawen, et autres
Publié: (2023)
par: Feng, Huawen, et autres
Publié: (2023)
Position: Foundation Agents as the Paradigm Shift for Decision Making
par: Liu, Xiaoqian, et autres
Publié: (2024)
par: Liu, Xiaoqian, et autres
Publié: (2024)
Full-Step-DPO: Self-Supervised Preference Optimization with Step-wise Rewards for Mathematical Reasoning
par: Xu, Huimin, et autres
Publié: (2025)
par: Xu, Huimin, et autres
Publié: (2025)
DeltaMem: Towards Agentic Memory Management via Reinforcement Learning
par: Zhang, Qi, et autres
Publié: (2026)
par: Zhang, Qi, et autres
Publié: (2026)
ToolRM: Towards Agentic Tool-Use Reward Modeling
par: Li, Renhao, et autres
Publié: (2025)
par: Li, Renhao, et autres
Publié: (2025)
Debate Helps Weak-to-Strong Generalization
par: Lang, Hao, et autres
Publié: (2025)
par: Lang, Hao, et autres
Publié: (2025)
Selective Weak-to-Strong Generalization
par: Lang, Hao, et autres
Publié: (2025)
par: Lang, Hao, et autres
Publié: (2025)
Distribution-Aware Reward Estimation for Test-Time Reinforcement Learning
par: Du, Bodong, et autres
Publié: (2026)
par: Du, Bodong, et autres
Publié: (2026)
Zero-Shot Detection of LLM-Generated Text via Implicit Reward Model
par: Liu, Runheng, et autres
Publié: (2026)
par: Liu, Runheng, et autres
Publié: (2026)
Fortify the Shortest Stave in Attention: Enhancing Context Awareness of Large Language Models for Effective Tool Use
par: Chen, Yuhan, et autres
Publié: (2023)
par: Chen, Yuhan, et autres
Publié: (2023)
HISR: Hindsight Information Modulated Segmental Process Rewards For Multi-turn Agentic Reinforcement Learning
par: Lu, Zhicong, et autres
Publié: (2026)
par: Lu, Zhicong, et autres
Publié: (2026)
Documents similaires
-
EPO: Explicit Policy Optimization for Strategic Reasoning in LLMs via Reinforcement Learning
par: Liu, Xiaoqian, et autres
Publié: (2025) -
CPO: Addressing Reward Ambiguity in Role-playing Dialogue via Comparative Policy Optimization
par: Ye, Xinge, et autres
Publié: (2025) -
MOA: Multi-Objective Alignment for Role-Playing Agents
par: Liao, Chonghua, et autres
Publié: (2025) -
SDPO: Segment-Level Direct Preference Optimization for Social Agents
par: Kong, Aobo, et autres
Publié: (2025) -
Fine-Tuning Language Models with Reward Learning on Policy
par: Lang, Hao, et autres
Publié: (2024)