ECHO：利用轮次级信用学习认知自适应语言智能体

本文定义了多轮信息寻求的认知决策过程（EDPs），强调智能体应基于当前信念状态选择行动以实现认知自适应。针对传统策略误差累积及轨迹级回报无法识别单轮贝叶斯优势的问题，提出了 ECHO 方法。该方法采用裁剪策略梯度目标，利用后验敏感奖励分配轮次级信用。在新型线索选择游戏基准测试中，ECHO 在分辨率、信息增益及效率上显著优于轨迹级 GRPO，并在接地性、恢复能力及校准度等指标上达到或超越前沿基线，且几乎不生成可见推理文本。