arXiv Artificial Intelligence· Huining Yuan, Zelai Xu, Huaijie Wang, Xiangmin Yi, Jiaxuan Gao, Xiao-Ping Zhang, Yu Wang, Chao Yu, Yi Wu·· 19 小时前AI 评分24
VPR：面向智能体推理的可验证过程奖励
Verifiable Process Rewards for Agentic Reasoning
AI 导读
研究者提出可验证过程奖励（VPR）训练框架，将任务 oracle 复用为动作级过程验证器，为中间动作提供稠密奖励以实现细粒度信用分配。VPR 在 Sokoban、Sudoku、Minesweeper 三种环境实例化，训练的 Qwen3-4B 在三者上均优于 outcome-reward GRPO 和 VinePPO；联合数学数据训练时平均通用推理与智能体表现最佳。
来源：arXiv Artificial Intelligence · arxiv.org