RTPO: Reverse-Turn Policy Optimization for Stabilizing Agentic RL Training

复现级别：核心 Agent 机制 mini-suite。 本地实现独立规划、记忆、credit assignment 或拓扑路径，并在确定性任务上记录过程计数；不是原论文完整外部环境。

论文信息

字段	内容
论文链接	arXiv 2608.18682
公司 / 机构	Adelaide University
第一作者	Yugu Li
首次公开日期	2026-08-19（arXiv v1）
原作者代码	未发现原作者公开代码（截至 2026-08-24）
本地 adapter / 方法	rtpo
本地复现代码	src/auto_research/agent_research/historical_b10_b11.py

原始论文总结

背景与主要改动

把多轮 rollout 组织成稀疏反向树，按时间逆序更新 turn，令决策与下游 continuation 保持 on-policy。

flowchart LR
  O[任务与观察] --> P[规划 / 状态管理]
  P --> M[rtpo 核心机制]
  M --> A[动作 / 工具]
  A --> V[验证与反馈]
  V --> P

原论文关键图

原论文 Figure 2（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ \pi_{t}\leftarrow\arg\max_\pi\mathbb E[A_t^{reverse}\log\pi(a_t|s_t)] \]

论文离线与线上效果

相对 trajectory-level 与 turn-level 基线分别提升 21.50% 和 10.76%。 以上是原文结果，不将本地 mini-suite 推广成原论文 benchmark 或线上结论。

本地复现

在 planbench-mini 120 episodes 上，rtpo joint success 为 1.0000、average cost 0.6800；long-context 对照分别为 1.0000 与 64.5000。正确率饱和时重点核验 trace、source 和论文专属诊断计数，而不虚构效果提升。单篇指标见 metrics/planbench-mini-seed42.json，批次索引见 ../../experiments/historical-b07-b11-seed42.json。

auto-research agent-research --method rtpo --benchmark planbench-mini --episodes 120 --seed 42

复现边界

确定性 mini-suite 不访问真实浏览器、AppWorld、SWE-bench 或外部工具服务；它验证机制分支、过程状态和报告契约可执行。完整环境结果需按原文资源另行复现。运行目录是 runs/agent-research/，仓库只保存指标。另见 ../../experiments/。