概念
Turn-PPO
PPO在轮次交互场景下的变体，以完整交互轮次为策略优化单元，轮次优势值由最终结果反推。
时间轴 (近 90 天)
10月20日
ClueFlow在Turn-PPO阶段利用归因链增强基于结果的轮次优势值，将信用沿Source-State-Final链条精确分配。
待验证50%
10月20日
Turn-PPO是PPO在轮次交互场景下的变体，将一次完整交互轮次而非单个token作为策略优化的基本单元。
待验证50%
PPO在轮次交互场景下的变体，以完整交互轮次为策略优化单元，轮次优势值由最终结果反推。
ClueFlow在Turn-PPO阶段利用归因链增强基于结果的轮次优势值，将信用沿Source-State-Final链条精确分配。
Turn-PPO是PPO在轮次交互场景下的变体，将一次完整交互轮次而非单个token作为策略优化的基本单元。