AEPO 论文精读：Web Agent RL 里的熵不是越高越好
解读 AEPO 如何在 rollout 和 policy update 两阶段平衡高熵探索，缓解 Web Agent 强化学习中的分支坍缩和梯度裁剪问题。
Latest
最新文章
ARPO 论文精读：为什么 Agent RL 要在工具调用后分叉探索
解读 ARPO 如何用工具调用后的高熵信号做自适应 rollout，并用 advantage attribution 训练多轮工具型 Agent。
HTML 文章示例：做一篇更有表现力的解读
用原生 HTML 写文章片段，加入卡片、数字、引用和更自由的版式。