TCPO1 篇实战文章

最近有人问我，agent 多轮强化学习里最卡人的是哪一步。 简单说，不是模型不够聪明，是功劳算不清。一轮对话里它走了十步，最后对了。那到底是第三步走对了，还是第八步？验证器只给一个最终分数，中间全是糊涂账。 这期主要就收这一条。一篇八月初挂上 arXiv 的论文，TCPO。剩下的算顺带。