HISR：用于多轮智能体强化学习的后见信息调制分段过程奖励

大型语言模型在复杂长程智能体决策任务中表现受限。现有方法多依赖多轮强化学习设计奖励模型，但面临稀疏结果奖励传播延迟及细粒度回合级奖励信用分配不可靠的问题。本文提出 HISR 方法，利用后见信息调制分段过程奖励，使奖励与子目标紧密对齐并突出关键片段。具体而言，引入分段级过程奖励模型为每个子目标分配奖励，避免过度细粒度划分；设计后见模型反映已知轨迹结果后的动作偏好，通过序列似然比衡量动作重要性以聚合分段得分，进而调制奖励，显著提升信用分配可靠性。