Agent-G²：在线估计高斯 guidance 深度¶

复现级别：核心机制 mini-suite。 每个任务从在线更新的高斯分布采样专家前缀深度，不额外执行 probe rollout。

论文信息¶

字段	内容
论文链接	arXiv 2608.23318
公司 / 机构	百度（第一作者第一署名单位）
首次公开日期	2026-08-24（arXiv v1）
原作者代码	是：ZJU-REAL/Agent-G2
本地 adapter / 方法	`agent-g2`
本地复现代码	`src/auto_research/agent_research/latest_20260825.py`

原始论文总结¶

背景与主要改动¶

Hint-based Agent RL 保留专家轨迹前缀再让策略探索，但固定深度忽略任务难度，逐样本 probe 又浪费 rollout。Agent-G² 从已有 policy rollout 按难度簇估计 guidance band 的中心和方差，对每个任务采样不同前缀深度。

flowchart LR
  R["已有 rollout"] --> C["难度簇统计 Ak,Vk"]
  C --> G["N(μi,σi²)"]
  G --> D["采样 guidance depth"]
  D --> P["专家前缀 + on-policy continuation"]
  P --> U["GRPO + auxiliary BC"]

原论文关键图¶

原论文 Figure 4（关键图）：展示原论文的整体流程、关键阶段及其数据流向。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¶

\[ \mu_i=\operatorname{clip}(\mu_{global}+\lambda(p_{target}-A_k),0,1),\quad \sigma_i=\max(\gamma V_k,\sigma_{min}), \]

\[ z_i\sim\mathcal N(\mu_i,\sigma_i^2),\qquad r_i=\operatorname{clip}(z_i,0,1). \]

论文离线与线上效果¶

在 ALFWorld 上相对最强 hint-based、hint-free 和 Aux-RL 基线分别提升 2.3 / 3.9 / 7.4 points，rollout 成本低于逐样本 probing 的三分之一；另在 WebShop 验证。无工业线上 A/B。

本地复现¶

PlanBench-mini、120 episodes、seed 42：joint success 1.0000，在线采样 guidance 120 次，平均成本 0.8253。指标见 metrics/planbench-mini-seed42.json。

本批次统一索引见 ../../experiments/latest-20260825-seed42.json。

auto-research agent-eval --method agent-g2 --benchmark planbench-mini --episodes 120 --seed 42

复现边界¶

mini-suite 验证按任务簇在线估计、Gaussian sampling 和专家前缀/策略续写的控制流；没有运行 Qwen2.5、ALFWorld/WebShop 或真实 GRPO。

统一 L2.1 隔离能力结果¶

在 toolroute-l2.1-v1 的隔离 test、60 episodes/seed、seeds 42/43/44 上，Agent-G² 的 joint success 为 0.7778、plan step F1 为 0.8276、故障恢复率为 0.6667；public-evidence verifier 只使用公开可靠性、可逆性和成本元数据。指标见 metrics/toolroute-l2-seeds42-44.json，统一口径见 L2.1 隔离能力评测。