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。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
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~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0295- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









