北大、清华等机构提出 MPO，改进长程 LLM 智能体训练的信用分配

IQuest Research 联合北大、清华、人大、港大等机构发布论文，提出面向长程 LLM 智能体训练的 MPO。该方法结合多尺度优势估计（MAE）与轮次级重要性采样，在 token 层面细化信用分配，并以 4B 及更大模型在搜索、工具使用和自动化任务上完成实验验证。