终局奖励之后：从Apodex 1.1看长程 Agentic RL 如何分配credit

文章摘要

如果一个Agent用几十轮工具调用完成了一项任务，最后只得到一个0/1reward，这个reward应该怎样分配给前面的决策？这是长程AgenticRL中一个很核心、但也很容易被“最终成功率”掩盖的问题。

正文暂不可用。