Newest papers

Self-Credit: Credit Assignment for Long-Horizon Agentic RL via Intra-group Rescaling

Fangcong Yin, Ming Yin, Tanvi Bhandarkar, Aashu Singh, Eryk Helenowski, Shlok Kumar Mishra, Saghar Hosseini, Karthik Abinav Sankararaman · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28388 · open-access PDF

Korean

LLM 에이전트는 일반적으로 RLVR로 훈련되지만 전형적인 RLVR 보상의 희귀 성격은 특히 장기 작업을 위해 신용 할당을 도전시킵니다. 우리는 Self-Credit를 제안합니다. Self-Credit는 그룹 내 신용 할당을 통해 자체 생성 된 신용 할당을 사용하여 희귀한 결과 보상에서 밀접한 감독 신호를 생성하는 end-to-end 에이전트 RL 방법입니다. Self-Credit는 세 가지 구성 요소가있는 그룹 기반 RL에 구축됩니다. 첫째, 출시 도중 모델 정책은 자기 생성 신용으로 봉사하는 중요한 증거가 포함 된 이전 회전에 대한 인용과 함께 요약을 생성합니다. 둘째, 우리는이 mo을 정교합니다.

Machine translation (Meta M2M100); the English original follows.

Abstract

LLM agents are commonly trained with RLVR, but the sparse nature of typical RLVR rewards makes credit assignment challenging, especially for long-horizon tasks. We propose Self-Credit, an end-to-end agentic RL method that creates dense supervision signals from sparse outcome rewards using self-generated credit assignment via intra-group rescaling. Self-Credit builds on group-based RL with three components. First, during its rollouts, the policy model generates summaries with citations to earlier turns containing critical evidence, which serve as self-generated credit. Second, we refine this mo

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange