Enhancing Agentic RL with Progressive Reward Shaping and Value-based Sampling Policy Optimization
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Su, Jianghao, Zeng, Xia, Liu, Luhui, Luo, Chao, Chen, Ye, Zhuang, Zhuoran |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Teaching LLM to be Persuasive: Reward-Enhanced Policy Optimization for Alignment from Heterogeneous Rewards
par: Zeng, Xia, et autres
Publié: (2025)
par: Zeng, Xia, et autres
Publié: (2025)
ACE-RL: Adaptive Constraint-Enhanced Reward for Long-form Generation Reinforcement Learning
par: Chen, Jianghao, et autres
Publié: (2025)
par: Chen, Jianghao, et autres
Publié: (2025)
AgentV-RL: Scaling Reward Modeling with Agentic Verifier
par: Zhang, Jiazheng, et autres
Publié: (2026)
par: Zhang, Jiazheng, et autres
Publié: (2026)
On-Policy RL with Optimal Reward Baseline
par: Hao, Yaru, et autres
Publié: (2025)
par: Hao, Yaru, et autres
Publié: (2025)
Multi-Objective and Mixed-Reward Reinforcement Learning via Reward-Decorrelated Policy Optimization
par: Bai, Yang, et autres
Publié: (2026)
par: Bai, Yang, et autres
Publié: (2026)
SAIL-RL: Guiding MLLMs in When and How to Think via Dual-Reward RL Tuning
par: Shu, Fangxun, et autres
Publié: (2025)
par: Shu, Fangxun, et autres
Publié: (2025)
Crossing the Reward Bridge: Expanding RL with Verifiable Rewards Across Diverse Domains
par: Su, Yi, et autres
Publié: (2025)
par: Su, Yi, et autres
Publié: (2025)
Math-PUMA: Progressive Upward Multimodal Alignment to Enhance Mathematical Reasoning
par: Zhuang, Wenwen, et autres
Publié: (2024)
par: Zhuang, Wenwen, et autres
Publié: (2024)
Discriminative Policy Optimization for Token-Level Reward Models
par: Chen, Hongzhan, et autres
Publié: (2025)
par: Chen, Hongzhan, et autres
Publié: (2025)
EEPO: Exploration-Enhanced Policy Optimization via Sample-Then-Forget
par: Chen, Liang, et autres
Publié: (2025)
par: Chen, Liang, et autres
Publié: (2025)
The Past Is Not Past: Memory-Enhanced Dynamic Reward Shaping
par: Liu, Yang, et autres
Publié: (2026)
par: Liu, Yang, et autres
Publié: (2026)
LCO: LLM-based Constraint Optimization for Safer Agentic LLMs in Real-world Tasks
par: Wan, Jiayong, et autres
Publié: (2026)
par: Wan, Jiayong, et autres
Publié: (2026)
RewardFlow: Topology-Aware Reward Propagation on State Graphs for Agentic RL with Large Language Models
par: Feng, Xiao, et autres
Publié: (2026)
par: Feng, Xiao, et autres
Publié: (2026)
Search-P1: Path-Centric Reward Shaping for Stable and Efficient Agentic RAG Training
par: Xia, Tianle, et autres
Publié: (2026)
par: Xia, Tianle, et autres
Publié: (2026)
When Sharpening Becomes Collapse: Sampling Bias and Semantic Coupling in RL with Verifiable Rewards
par: Fan, Mingyuan, et autres
Publié: (2026)
par: Fan, Mingyuan, et autres
Publié: (2026)
RubricEM: Meta-RL with Rubric-guided Policy Decomposition beyond Verifiable Rewards
par: Li, Gaotang, et autres
Publié: (2026)
par: Li, Gaotang, et autres
Publié: (2026)
StepPO: Step-Aligned Policy Optimization for Agentic Reinforcement Learning
par: Wang, Daoyu, et autres
Publié: (2026)
par: Wang, Daoyu, et autres
Publié: (2026)
A$^2$TGPO: Agentic Turn-Group Policy Optimization with Adaptive Turn-level Clipping
par: Chen, Dingwei, et autres
Publié: (2026)
par: Chen, Dingwei, et autres
Publié: (2026)
Agentic Reinforced Policy Optimization
par: Dong, Guanting, et autres
Publié: (2025)
par: Dong, Guanting, 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)
Offline RL by Reward-Weighted Fine-Tuning for Conversation Optimization
par: Mukherjee, Subhojyoti, et autres
Publié: (2025)
par: Mukherjee, Subhojyoti, et autres
Publié: (2025)
AT$^2$PO: Agentic Turn-based Policy Optimization via Tree Search
par: Zong, Zefang, et autres
Publié: (2026)
par: Zong, Zefang, et autres
Publié: (2026)
GTPO and GRPO-S: Token and Sequence-Level Reward Shaping with Policy Entropy
par: Tan, Hongze, et autres
Publié: (2025)
par: Tan, Hongze, 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)
Token-Level Policy Optimization: Linking Group-Level Rewards to Token-Level Aggregation via Markov Likelihood
par: Lin, Xingyu, et autres
Publié: (2025)
par: Lin, Xingyu, et autres
Publié: (2025)
Agentic Reinforcement Learning with Implicit Step Rewards
par: Liu, Xiaoqian, et autres
Publié: (2025)
par: Liu, Xiaoqian, et autres
Publié: (2025)
Agent Explorative Policy Optimization for Multimodal Agentic Reasoning
par: Kang, Minki, et autres
Publié: (2026)
par: Kang, Minki, et autres
Publié: (2026)
Sotopia-RL: Reward Design for Social Intelligence
par: Yu, Haofei, et autres
Publié: (2025)
par: Yu, Haofei, et autres
Publié: (2025)
SPEC-RL: Accelerating On-Policy Reinforcement Learning with Speculative Rollouts
par: Liu, Bingshuai, et autres
Publié: (2025)
par: Liu, Bingshuai, et autres
Publié: (2025)
Code Aesthetics with Agentic Reward Feedback
par: Xiao, Bang, et autres
Publié: (2025)
par: Xiao, Bang, et autres
Publié: (2025)
Segment Policy Optimization: Effective Segment-Level Credit Assignment in RL for Large Language Models
par: Guo, Yiran, et autres
Publié: (2025)
par: Guo, Yiran, et autres
Publié: (2025)
Understanding How Value Neurons Shape the Generation of Specified Values in LLMs
par: Su, Yi, et autres
Publié: (2025)
par: Su, Yi, et autres
Publié: (2025)
Agent-RewardBench: Towards a Unified Benchmark for Reward Modeling across Perception, Planning, and Safety in Real-World Multimodal Agents
par: Men, Tianyi, et autres
Publié: (2025)
par: Men, Tianyi, et autres
Publié: (2025)
Text2Reward: Reward Shaping with Language Models for Reinforcement Learning
par: Xie, Tianbao, et autres
Publié: (2023)
par: Xie, Tianbao, et autres
Publié: (2023)
ToolRM: Towards Agentic Tool-Use Reward Modeling
par: Li, Renhao, et autres
Publié: (2025)
par: Li, Renhao, et autres
Publié: (2025)
Token-Level Policy Optimization: Linking Group-Level Rewards to Token-Level Aggregation via Sequence-Level Likelihood
par: Lin, Xingyu, et autres
Publié: (2026)
par: Lin, Xingyu, et autres
Publié: (2026)
Building Autonomous GUI Navigation via Agentic-Q Estimation and Step-Wise Policy Optimization
par: Wang, Yibo, et autres
Publié: (2026)
par: Wang, Yibo, et autres
Publié: (2026)
Enhancing Judgment Document Generation via Agentic Legal Information Collection and Rubric-Guided Optimization
par: Su, Weihang, et autres
Publié: (2026)
par: Su, Weihang, et autres
Publié: (2026)
On Designing Effective RL Reward at Training Time for LLM Reasoning
par: Gao, Jiaxuan, et autres
Publié: (2024)
par: Gao, Jiaxuan, et autres
Publié: (2024)
InfoFlow: Reinforcing Search Agent Via Reward Density Optimization
par: Luo, Kun, et autres
Publié: (2025)
par: Luo, Kun, et autres
Publié: (2025)
Documents similaires
-
Teaching LLM to be Persuasive: Reward-Enhanced Policy Optimization for Alignment from Heterogeneous Rewards
par: Zeng, Xia, et autres
Publié: (2025) -
ACE-RL: Adaptive Constraint-Enhanced Reward for Long-form Generation Reinforcement Learning
par: Chen, Jianghao, et autres
Publié: (2025) -
AgentV-RL: Scaling Reward Modeling with Agentic Verifier
par: Zhang, Jiazheng, et autres
Publié: (2026) -
On-Policy RL with Optimal Reward Baseline
par: Hao, Yaru, et autres
Publié: (2025) -
Multi-Objective and Mixed-Reward Reinforcement Learning via Reward-Decorrelated Policy Optimization
par: Bai, Yang, et autres
Publié: (2026)