TSBPO：面向交互式语言智能体的树结构分支策略优化

研究提出 TSBPO，一种树结构采样到更新的训练范式，在同一训练循环内解决交互式语言智能体从终端结果学习时的采样、延迟反馈分配和多 token 动作损失聚合问题。使用 Qwen2.5-1.5B 作为执行模型，在 ALFWorld 上取得 97.79% 已见任务和 96.64% 未见任务的随机成功率，在 WebShop 500 个测试目标上每回合成功率 81.07%。