基于策略条件的反事实信用用于可验证的长程语言代理强化学习

针对长程语言代理在强化学习中出现的证据链 unsupported、信念漂移及捷径行为问题，本文提出 CVT-RL 算法。该方法引入密集可验证奖励、干预有效性门控及策略条件反事实贡献估计器，通过删除、语义替换等受控干预评估步骤对最终成功的因果贡献。实验表明，CVT-RL 在多项长程任务中显著提升了成功率与证据质量，有效减少了模型作弊行为，为构建更可靠的长程推理代理提供了可复现路径。