Hierarchiczna optymalizacja przewag bez krytyka dla trajektorii agentów składających się z wielu sesji.
Critic-free hierarchical advantage optimization for agent trajectories composed of multiple sessions.
Trening agentów, który uwzględnia kilka osobnych sesji w jednej długiej próbie.
Training agents that accounts for several separate sessions inside one long trial.
Trening zakłada jedną ciągłą rozmowę, a w praktyce agent dzieli pracę na sesje lub kompresuje kontekst.
Training assumes one continuous conversation, but agents split work into sessions or compress context in practice.
Porównuje całe próby i poszczególne sesje: wśród sukcesów preferuje mniej sesji, wśród porażek wspiera szerszą eksplorację, a sesjom przypisuje sygnał z poprawy przewidywalności odpowiedzi.
It compares whole trials and individual sessions: among successes it favors fewer sessions, among failures it supports broader exploration, and it gives sessions a signal from improved answer predictability.
Agent szuka informacji na stronie. Po kompresji historii trening wzmacnia sesje, po których poprawna odpowiedź staje się bardziej przewidywalna dla modelu.
An agent searches a site. After history compaction, training reinforces sessions after which the correct answer becomes more predictable to the model.