IXThinker·2026-09-16 14:10

詞元級獎勵開新路 3B小模型成功率94.5%

多輪智能體任務往往只有終點獎勵，而軌跡中決定成敗的常是某個查詢詞、動作或對象選擇，形成時間信用分配難題。有高校與企業合作團隊提出以詞元級獎勵精細歸因關鍵決策點，訓練出的3B小模型表現亮眼。

終點獎勵太粗糙

終點獎勵只能告訴模型「這條軌跡最後對不對」，卻無法指出「中間哪一步值得強化」。在搜索、工具調用與多輪決策交織的長軌跡中，這種粗粒度訊號令訓練效率大打折扣。