跳转至

Read this paper write-up in English

Dependency-Aware Reward Shaping for Agentic Reinforcement Learning

复现级别：L1 核心机制诊断。 执行依赖衰减、失效/修复与 potential 差分；未训练 1.5B–8B 模型，官方仓库当前仅发布接口说明、代码仍在准备。

论文信息

字段 内容
论文链接 arXiv 2610.01207
公司/机构 University of Illinois Urbana-Champaign（按第一作者署名单位）
首次公开日期 2026-10-01（arXiv v1）
原文开源代码 否：官方仓库 官方占位仓库 已建立，但截至 2026-10-02 明确标注实现仍在准备中
Adapter dars
本地复现代码 src/auto_research/post_training/latest_20261002.py

原始论文总结

背景与主要改动

把任务进度表示为带先决条件的 predicate 图；验证、失效和修复事件更新图状态，最近破损依赖按图距离衰减已完成工作的 credit，独立分支不受牵连。

flowchart LR
  I[输入/当前状态] --> M[dars 核心机制]
  M --> A[可审计中间量]
  A --> O[输出/更新状态]

原论文关键图

Dependency-Aware Reward Shaping for Agentic Reinforcement Learning 原论文关键图

原论文关键图：展示论文核心架构、训练流程或系统协议。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

\(r_t=\Phi(s_{t+1})-\Phi(s_t)\)，依赖破损后的 predicate 权重为 \(\gamma^{d}\)。

论文离线与线上效果

同预算下 ALFWorld 相对 GiGPO 最高提升 10 点，并在 WebShop、Search-R1、AIME 与工具无关推理上验证。

本地复现

本地对照口径：基线为机制关闭或默认状态，实验组为开启对应核心算子；相对百分比不适用。本批指标只验证不变量、梯度或状态转换，不表示论文规模效果。

复现边界

执行依赖衰减、失效/修复与 potential 差分；未训练 1.5B–8B 模型，官方仓库当前仅发布接口说明、代码仍在准备。