页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「Deep Research 截断轨迹」找到 3 条内容
按专题浏览 →匹配正文：Deep Research Agent 一次任务可能经历多轮搜索、访问、计算和摘要。 当轨迹达到最大 token、最大步骤或运行时间，系统可能在 final answer 之前停止。很多训练管道看到“没有最终答案”，就直接给零 reward，并把这条轨迹当作负样本。 这看起来合理，实际上可能教坏模型。 有些轨迹确实走错了，有些只是环境超时，还有些方向完全正确但预算用完。若全部受到同一种惩罚，模型反而会学着赶在截断前随便给出答案，研究质量未必提高。 相关训练材料明确提醒，这种处…
匹配标题与标签：…方案比较CPT、SFT与GRPO的作用和选择条件，理解组内优势、长轨迹奖励与动态采样边界；不实际运行训练 Agent Agent Deep Research 项目实战
…也不能把教程里举例的某个 N 当统一最佳值。 评估时应同时观察组内 reward 分布、有效组比例、轨迹差异和单位有效信号成本。 截断轨迹为什么是 Agent GRPO 的大坑？ Deep Research 轨迹长，可能经过多次搜索、访问、计算和摘要。 若达到最大长度时还没有 final answer，系统通常给出低 reward。 但“没做完”不等于“做错了”。它可能前面的工具选择和证据收集都合理，只是预算不足。 如果这些轨迹一律得到强负优势，模型可能学到一个危险捷径：尽早…
学习内容与项目面试，在同一条路上。