atraining-agentic-rl-tito

多轮智能体强化学习中的 Token-In, Token-Out (TITO) 正确性 —— 仅对策略采样的确切 token 进行反向传播，使用 token 缓冲区 + delta 工具渲染，而非重新编码解码后的文本。适用于构建或调试多轮工具调用 RL 循环、修复因重新分词导致的静默梯度损坏、恢复助手与工具 token 上的损失掩码，或在训练新模型前验证 chat template 的前缀保持性。

模型生成摘要（rules/v1 · 2026-11-13 01:16）：多轮智能体强化学习中的 Token-In, Token-Out (TITO) 正确性 —— 仅对策略采样的确切 token 进行反向传播，使用 token 缓冲区 + delta 工具渲染，而非重新编码解码后的文本
这是模型对公开材料的总结，不是官方声明，请以原链内容为准。

存档时间线

版本	存档时间	内容哈希	内容
v1	2026-11-13 01:15	2679b83a	可取

版本索引永久保留；内容副本只保留最新 1 份，更早版本仅留索引与哈希（存档时间线的证据链不会因此断裂）。

下载存档内容副本

纠错与举报（发现条目失效、署名有误或涉及侵权？）

提交举报 / 纠错

侵权举报经核验成立后，我们会即时下线该条目并删除已存的内容副本。