--- format: "aidr-story-markdown/v1" id: "c691db4ad7325b32b1fc749dde4c24df9abfb6c7d24d5ca232db9ee76564292e" canonical_url: "https://aidr.today/c691db4a?lang=vi" title: "VH-GPO: Verified Handoff cho LLM Agent Reinforcement Learning" lang: "vi" requested_lang: "vi" available_langs: ["en","vi"] translation_fallback: null fallback_fields: [] published_at: "2026-10-14T04:00:00.000Z" category: "Research" topics: ["agent"] source_urls: ["https://arxiv.org/abs/2610.14000"] summary: "Các phương pháp học tăng cường quan hệ nhóm như GRPO huấn luyện các LLM agent bằng cách so sánh rollout cho cùng một nhiệm vụ. Khi mọi quỹ đạo trong một nhóm đều thất bại với cùng một phần thưởng, lợi thế tương đối suy giảm về không, không còn tín hiệu học hữu ích. Một giáo viên đóng băng có thể phục hồi từ trạng thái mà học sinh đã truy cập, nhưng để cho nó hoàn thành nhiệm vụ sẽ khiến phần hậu tố được phục hồi hoàn toàn do giáo viên tạo ra. Chúng tôi hỏi: sau khi sửa chữa thất bại của học sinh, khi nào nên trả lại quyền điều khiển cho học sinh? Chúng tôi đề xuất bàn tay giao tiếp xác minh kết quả, cụ thể hóa trong Verified Handoff for Group Policy Optimization (VH-GPO). Giáo viên cung cấp đủ hỗ trợ để đạt đến trạng thái mà học sinh có thể thành công, sau đó trả lại quyền điều khiển để kinh nghiệm thành công lại do học sinh tạo ra. Với một phục hồi giáo viên được xác minh bởi môi trường, VH-GPO chọn điểm giao tiếp độc lập đã được xác nhận sớm nhất trong ngân sách tìm kiếm giới hạn. Với Qwen2.5-1.5B, VH-GPO tăng tỷ lệ thành công trên ALFWorld từ 59,38% lên 94,79% và trên WebShop từ 71,62% lên 77,34% so với GRPO." --- # VH\-GPO: Verified Handoff cho LLM Agent Reinforcement Learning > [Open the canonical story]() **Published:** 2026-10-14T04:00:00.000Z **Category:** Research **Topics:** agent ## Summary Các phương pháp học tăng cường quan hệ nhóm như GRPO huấn luyện các LLM agent bằng cách so sánh rollout cho cùng một nhiệm vụ\. Khi mọi quỹ đạo trong một nhóm đều thất bại với cùng một phần thưởng, lợi thế tương đối suy giảm về không, không còn tín hiệu học hữu ích\. Một giáo viên đóng băng có thể phục hồi từ trạng thái mà học sinh đã truy cập, nhưng để cho nó hoàn thành nhiệm vụ sẽ khiến phần hậu tố được phục hồi hoàn toàn do giáo viên tạo ra\. Chúng tôi hỏi: sau khi sửa chữa thất bại của học sinh, khi nào nên trả lại quyền điều khiển cho học sinh? Chúng tôi đề xuất bàn tay giao tiếp xác minh kết quả, cụ thể hóa trong Verified Handoff for Group Policy Optimization \(VH\-GPO\)\. Giáo viên cung cấp đủ hỗ trợ để đạt đến trạng thái mà học sinh có thể thành công, sau đó trả lại quyền điều khiển để kinh nghiệm thành công lại do học sinh tạo ra\. Với một phục hồi giáo viên được xác minh bởi môi trường, VH\-GPO chọn điểm giao tiếp độc lập đã được xác nhận sớm nhất trong ngân sách tìm kiếm giới hạn\. Với Qwen2\.5\-1\.5B, VH\-GPO tăng tỷ lệ thành công trên ALFWorld từ 59,38% lên 94,79% và trên WebShop từ 71,62% lên 77,34% so với GRPO\. ## Sources - [Story source]()