阿里通义提出 ArenaRL：用“擂台制排名”打破开放式智能体强化学习的奖励塌缩

一句话总结本工作提出 ArenaRL一种面向开放式智能体任务的强化学习新范式通过“组内相对排名 锦标赛机制”替代传统点式打分有效解决奖励判别塌缩问题实现稳定、可扩展的策略优化。 背景问题当前基于 LLM 的强化学习在数学、代码等可验证任务上已取得显著进展但在旅行规划、深度调研等开放式智能体任务中仍面临根本性瓶颈1️⃣ 任务空间巨大且无唯一标准答案依赖 LLM-as-Judge 的点式标量奖励难以区分高质量轨迹之间的细微差异2️⃣ 奖励模型本身存在随机性与偏置导致组内奖励方差迅速塌缩真实信号被噪声淹没RL 训练停滞甚至退化。 方法简介ArenaRL 从根本上重构奖励建模方式将“给单条轨迹打分”转变为“在同一组轨迹中做相对比较”提出 process-aware 的成对比较评估机制不仅比较最终答案还联合考察推理链条与工具调用过程构建基于对抗擂台arena的组内相对排名信号系统性研究多种锦标赛拓扑结构提出 seeded single-elimination带锚点的单淘汰赛方案在仅 O(N) 复杂度下逼近全量两两比较的排序精度将排名结果转化为稳定的 advantage 信号用于在线策略优化显著缓解开放式任务中的奖励噪声与冷启动问题。 实验结果在 Open-Travel 与 Open-DeepResearch 两个全流程开放式智能体基准上ArenaRL 显著优于 GRPO、GSPO 等点式奖励 RL 方法在 Open-Travel 上平均胜率达到 41.8%远超传统 RL 基线约 16–17%在 Open-DeepResearch 中不仅平均胜率高达 64.3%有效生成率更达到 99%显著缓解长上下文任务的崩溃问题在开放式写作等非工具任务上同样稳定提升证明该范式具有良好的通用性与可迁移性实验证明 seeded 单淘汰赛在效率与精度之间取得最优平衡几乎逼近 O(N²) round-robin 的“上界表现”。✨ 一句话点评ArenaRL 以“擂台制相对排名”正面击中了开放式强化学习的核心痛点清晰表明在没有绝对标准答案的世界里比较胜过打分排序比标量更可靠。这不仅是一种技巧改进更是对 Agent RL 奖励范式的一次方向性纠偏。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】