模型
IGPO
一种过程监督强化学习方法，试图为智能体每一步分配奖励，属于搜索智能体信用分配的相关工作。
时间轴 (近 90 天)
10月19日
过程监督方法（如GiGPO、IGPO）面临两类失效模式：表层锚定（按观察文本或工具名分组，忽略语义等价性）和模型内部信号（用隐藏状态或注意力模式作为进度代理，在上下文冗长、嘈杂、异构时脆弱）。
待验证50%
一种过程监督强化学习方法，试图为智能体每一步分配奖励，属于搜索智能体信用分配的相关工作。
过程监督方法（如GiGPO、IGPO）面临两类失效模式：表层锚定（按观察文本或工具名分组，忽略语义等价性）和模型内部信号（用隐藏状态或注意力模式作为进度代理，在上下文冗长、嘈杂、异构时脆弱）。