跳转至

Read this paper write-up in English

SHARPO: Segment-Level Credit Assignment for Agentic Reinforcement Learning

复现级别：L1 核心机制诊断。 执行 segment credit；未读取 gold plan，也未训练 7B Agent。

论文信息

字段 内容
论文链接 arXiv v1
公司/机构 Georgia Institute of Technology（按第一作者署名单位）
首次公开日期 2026-09-30（arXiv v1）
原文开源代码 否：截至 2026-10-03 未找到原作者公开实现
Adapter sharpo
本地复现代码 src/auto_research/post_training/latest_20261003.py

原始论文总结

背景与主要改动

用同组成功轨迹作为自蒸馏 teacher context，在环境交互 segment 内计算 teacher-student log-prob gap，并有界缩放 GRPO advantage。

flowchart LR
  I[输入与当前状态] --> M[sharpo 核心机制]
  M --> A[可审计中间量]
  A --> O[输出或状态更新]

原论文关键图

SHARPO: Segment-Level Credit Assignment for Agentic Reinforcement Learning 原论文 Figure 2

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

\(A_{seg}=A\cdot2\sigma(\overline{\log p_T-\log p_S})\)。

论文离线与线上效果

Qwen2.5-7B-Instruct 在 ALFWorld/WebShop 优于 GRPO、SDAR、RLSD、StepOPSD。

本地复现

本地对照口径：基线为机制关闭或默认状态，实验组执行定义性算子；L1 不报告正式相对提升，百分比不适用。

复现边界

执行 segment credit；未读取 gold plan，也未训练 7B Agent。