SSL：用于代理优化中差异化指导的甜蜜点学习

基于可验证奖励的强化学习是训练智能代理的有力范式，但现有方法通常采用二元奖励，忽略了相同结果轨迹间的质量差异。受网球“甜蜜点”概念启发，本文提出甜蜜点学习（SSL）框架，旨在为代理优化提供差异化指导。SSL 遵循渐进放大、分层奖励的原则，引导策略趋向解空间的优质区域。理论证明该方法保留了最优解排序并增强了梯度信噪比。在 GUI 感知、规划及复杂推理等 12 个基准测试中，SSL 相比强基线显著提升，样本效率最高达 2.5 倍，确立了其作为训练强大鲁棒代理的通用原则。