Personalized Reasoning Reinforcement Learning Agent Systems
摘要

针对人类中心场景中请求模糊导致解空间巨大的挑战,本文提出 ODYSSE,一种用于个性化代理推理的强化微调框架。其核心是逐幕组相对策略优化(ESPO),通过引入幕级奖励机制和优势估计,有效处理长动作 horizon 及强跨步依赖,使上游证据能指导下游个性化决策。此外,设计了幕级批量采样器以统一训练批次。在真实长程个性化 GUI 推理任务上的实验表明,ODYSSE 性能显著优于专用及通用大型视觉语言模型。

AI 推荐理由

论文核心提出个性化代理推理框架,通过新算法解决长程依赖与模糊请求下的推理决策问题。

研究机构
The University of Queensland Brisbane, Australia Griffith University Gold Coast, Australia
论文信息
作者 Jiaqi Zhang, Tong Chen, Junliang Yu, Quoc Viet Hung Nguyen, Hongzhi Yin
发布日期 2026-07-28
arXiv ID 2607.25369
相关性评分 9/10 (高度相关)