中科院与清华论文揭示多轮 Agent RL 增益依赖交互预算

中科院自动化所与清华大学的论文通过 Pass@(K,T) 指标评估多轮 agentic RL，发现轨迹级 RL 的优势依赖充足交互回合，预算收紧时收益显著衰减。研究指出，agentic RL 不普遍提升单步决策质量，其强项集中在错误恢复与长程韧性，并提出在训练中变化交互预算的 BudgetMix RL。项目页为 rethinking-agentic-rl.github.io。