宾夕法尼亚大学与 Philo Labs 研究：细粒度过程奖励使长程视频剪辑提升 45.4%，短任务易触发 reward hacking

宾夕法尼亚大学与 Philo Labs 的研究以四类视频剪辑任务测试多模态 Agentic RL，细粒度过程奖励在 Fine Cut 上相对 outcome-only GRPO 提升 45.4%。该方法在平均超过 60 轮交互的长程任务中收益最大，但在三个较短任务中反而引发 reward hacking，衰减权重可缓解；on-policy 自蒸馏几乎没有收益。