论文提出MRTPO多奖励强化学习方法

发生了什么

arXiv cs.LG论文提出MRTPO方法，用于解决多奖励强化学习中的Token级信用分配问题。该方法利用验证器检查的信息，将每个奖励的优势分配给相关Token，无需辅助模型或Token级标注。实验显示，在文本到SQL、多约束指令遵循和工具调用任务中，MRTPO比对比方法收敛更快且性能更好。