首页
/ MARTI项目中的多智能体奖励机制与训练策略解析

MARTI项目中的多智能体奖励机制与训练策略解析

2025-06-07 08:51:10作者:苗圣禹Peter

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:

  1. 质量模式(Quality Mode):鼓励智能体保持与历史表现一致的正确性
  2. 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RtiR_t^i为第tt轮智能体ii的即时正确性奖励,QtiQ_t^i为其历史表现估计值:

Qti=1HtikHtiRkiQ_t^i = \frac{1}{|H_t^i|} \sum_{k \in H_t^i} R_k^i

动态塑造项Δti\Delta_t^i的计算方式为:

  • 边际模式:Δti=RtiQti\Delta_t^i = R_t^i - Q_t^i
  • 质量模式:Δti=QtiRti(1Qti)(1Rti)\Delta_t^i = Q_t^i \cdot R_t^i - (1 - Q_t^i)(1 - R_t^i)

最终奖励计算公式为:Rti=Rti+αΔtiR_t^i = R_t^i + \alpha \cdot \Delta_t^i,其中α\alpha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

  1. 智能体级奖励计算:对于包含L个token的智能体动作ata_t,奖励计算为:

At=1Ll=1L[logπθ(atlat1:l1,c)πref(atlat1:l1,c)]A_t = \frac{1}{L} \sum_{l=1}^L \left[ \log \frac{\pi_\theta(a_t^l | a_t^{1:l-1}, c)}{\pi_{\text{ref}} (a_t^l | a_t^{1:l-1}, c)} \right]

  1. 交叉熵损失计算:聚合所有N个智能体的奖励计算损失:

LCE=yσ(t=1NβAt)+(1y)(1σ(t=1NβAt))L_{\text{CE}} = y \cdot \sigma\left( \sum_{t=1}^N \beta \cdot A_t\right) + (1-y) \cdot \left(1 - \sigma\left(\sum_{t=1}^N \beta \cdot A_t\right)\right)

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:

  1. 算法支持:适配OpenRLHF实现,支持REINFORCE++、GRPO、PPO等多种强化学习算法
  2. 一致性保证:所有智能体策略使用相同的RL算法训练
  3. 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
  4. 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。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
260
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
854
505
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
openHiTLSopenHiTLS
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!
C
254
295
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
331
1.08 K
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
397
370
note-gennote-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
kernelkernel
deepin linux kernel
C
21
5