MARTI项目中的多智能体奖励机制与训练策略解析
引言
在人工智能领域,多智能体系统(Multi-Agent Systems, MAS)因其在复杂任务解决中的协同优势而备受关注。TsinghuaC3I/MARTI项目提出了一套完整的多智能体训练框架,本文将深入剖析其中的奖励分配机制与策略训练方法。
基于规则的奖励塑造
对于数学问题等具有可验证解的领域,MARTI采用了基于规则的奖励模型(如DeepSeek-R1)。这种方法特别适合混合智能体和多智能体辩论场景,其中每个智能体的输出可以直接与标准答案比对。
时间一致性增强策略
MARTI引入了来自MAPoRL的推理感知奖励塑造策略,通过整合历史表现信息来提升多轮交互中的时间一致性。该策略包含两个核心组件:
- 质量模式(Quality Mode):鼓励智能体保持与历史表现一致的正确性
- 边际模式(Margin Mode):直接奖励超越历史平均表现的智能体
数学表达上,设为第轮智能体的即时正确性奖励,为其历史表现估计值:
动态塑造项的计算方式为:
- 边际模式:
- 质量模式:
最终奖励计算公式为:,其中是可调超参数。
基于树的AgentPRM方法
当最终答案不直接出现在中间智能体输出中时,MARTI采用了基于过程的奖励模型(AgentPRM),该方法源自SweetRL和PRIME的研究成果。
关键技术实现
- 智能体级奖励计算:对于包含L个token的智能体动作,奖励计算为:
- 交叉熵损失计算:聚合所有N个智能体的奖励计算损失:
MARTI还实现了基于树的rollout策略,在每个回合为每个智能体采样多个候选响应,使用类似DPO训练的过程对进行AgentPRM训练。
生成式奖励模型
MARTI集成了大语言模型作为生成式奖励模型(GenRM),适用于可验证和开放域问题。系统支持通过本地vLLM引擎或兼容API实现GenRM,为给定问题-轨迹对分配标量奖励。
特别值得注意的是,MARTI开发了专门针对多智能体系统的GenRM变体,能够显式处理多智能体协作中的常见失败模式,显著提升了协作行为的质量。
策略模型训练
获得包含个体轨迹和对应奖励的rollout经验后,MARTI启动分布式策略模型训练,主要特点包括:
- 算法支持:适配OpenRLHF实现,支持REINFORCE++、GRPO、PPO等多种强化学习算法
- 一致性保证:所有智能体策略使用相同的RL算法训练
- 增强策略:整合监督微调(SFT)和直接偏好优化(DPO)等模仿学习方法
- 动态选择:根据应用需求(如训练稳定性、收敛速度)动态选择训练策略
总结
MARTI项目构建了一套完整的、模块化的多智能体训练框架,从基础的规则奖励到高级的生成式评估,再到多样化的训练策略,为多智能体系统的研究和应用提供了强有力的工具支持。特别是其奖励机制设计,既考虑了即时正确性,又关注长期协作表现,在多轮交互场景中展现出显著优势。
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0265cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选









