IXThinker·2025-07-21 11:40

任務級獎勵訓練法強化App智能體

現有App智能體多依賴動作級獎勵訓練，只能預測每一步的最佳單一動作，難以適應不斷變化的流動環境。淘天集團未來生活實驗室聯同點淘演算法團隊提出Mobile-R1，以任務級獎勵結合多回合學習，提升智能體的適應與探索能力。

動作級獎勵的限制

現有Mobile/App智能體多依賴動作級獎勵（SFT或RL），只能引導模型預測每一步中最佳的單一動作，面對不斷變化的流動環境便難以招架。例如一句多步驟指令，Qwen2.5-VL-3B-Instruct在第二步便告失敗。