研究人员推出ProVer框架，以解决GRPO（群体相对策略优化）算法在大语言模型代理训练中存在的信用分配问题。该框架的核心创新在于使用智能评判员对比成功和失败的轨迹来定位关键决策点，随后通过验证这些决策段的优势来优化策略，从而避免了对每个中间状态进行逐步评估的高成本。验证过程通过估计当前策略在决策段前后的终止成功率差…