Agent 訓練與獎勵

DRACO 論文精讀：用動態評分規準分配 Agent 訓練回饋

精讀 DRACO（arXiv:2609.04094）：在沒有 ground-truth verifier 的長程工具任務中，動態產生每條 rollout 的 rubric，再把 trajectory-level advantage 依 judge 指出的步驟重新分配給 GRPO。