只需1/4预算，性能反超基线：阿里高德提出Tree-GRPO，高效破解智能体RL难题

来源：市场资讯

（来源：机器之心）

对于大模型的强化学习已在数学推理、代码生成等静态任务中展现出不俗实力，而在需要与开放世界交互的智能体任务中，仍面临「两朵乌云」：高昂的 Rollout 预算（成千上万的 Token 与高成本的工具调用）和极其稀疏的「只看结果」的奖励信号。

来自阿里高德的一篇最新研究论文提出了面向 Agent RL 的 Tree-GRPO 方法，将独立的链式采样改造为智能体步骤级的树搜索。该方法通过共享前缀、一次扩展多个分支，在相同预算下获得更丰富的有效轨迹；更重要的是，仅凭最终奖励即可沿树结构回溯出过程中的偏好信号，等价于隐式的步骤级偏好学习。

在 11 个知识密集型、网络搜索问答任务数据集中，Tree-GRPO 在多种模型规模上更省预算、更高表现，显著优于链式 RL 方法，甚至能在 1/4 预算的情况下超越 GRPO 基线，为 Agentic RL 的高效训练提供了新的解决思路。

• 论文标题：Tree Search for LLM Agent Reinforcement Learning

• 论文地址：https://arxiv.org/abs/2509.21240

• 代码链接：https://github.com/AMAP-ML/Tree-GRPO

树方法相较链方法的区别与优势

Agentic RL 的痛点

（左）链采样，（中）token/sentence-level 树采样，（右）agent-level 树采样

在 Agentic RL 中，LLM 不再是被动的文本生成器，而是一个在动态环境中的自主决策智能体。在 ReAct 视角下，LLM Agent 的决策轨迹由一段连续的多步行动构成，在每一步中，智能体都会进行思考（Think）、行动（Action）、观察（Observation）三个行为。

这样的开放式多轮轨迹在 RL 中面临两点关键瓶颈：

• Rollout 采样成本高：多回合交互的轨迹中包含成千上万 Token 和多次 tool-calls。现有链式采样为同一任务反复生成多跳独立轨迹，采样冗余高，训练时间几乎被 rollout 吞噬，且外部工具（如搜索 API）费用不菲；

• 多轮长轨迹的监督稀疏：绝大多数方法仅能依赖最终奖励评估整条轨迹好坏，难以定位「哪一步/哪一次行动」贡献了成败，导致在预算增长时有效训练信号并未同比增加，学习过程失衡甚至出现训练崩溃。

Tree-GRPO：

以「智能体步骤」为节点进行树搜索

Tree-GRPO 训练总览，左上为采样流程，右上为两个主要优势，下方为训练流程

已有的树搜索 RL 方法通常在 Token 级或句式级别上进行，对于有明确步骤级语义结构的智能体来说并不适合。该团队提出以「智能体步骤」为树节点单位的树搜索，即每个树节点对应一个完整的思考、行动、观察步骤。为适配现有 LLM 并行推理框架，我们采用「先初始化—后扩张」的策略：

初始化 M 条独立轨迹；

每条轨迹随机采样 N 个节点，以根节点到采样节点作为完整上下文进行扩张；

通过重复步骤 2 L 次，最终获得分散在 M 棵树的反应轨迹。这样的树搜索能够在一定的 rollout 预算下获得更多的 Agent 轨迹。

基于树的优势计算

通过树结构的样本轨迹，该方法还能够在仅凭结果奖励下构造出 step-level 的偏好目标，形式与离线构造 DPO 数据优化目标一致。

对每棵树而言，在每个分支节点，从叶节点回溯得到的奖励差值天然形成一个偏好优化目标，而兄弟子树的深度决定了该过程信号的粒度。

为进一步提升 RL 训练中优势估计的稳定性，避免因单棵树轨迹数量过少导致的偏差或方差，Tree-GRPO 还对所有树间的轨迹优势进行归一化，并将归一化结果与原始优势相加，作为最终的优势估计。

最终的优化目标为：

值得注意的是，这样的树内 GRPO 在梯度形式上和 step-level DPO 的优化目标保持一致

实验结果：

11 个 Agent 问答任务评测

本文在包括 Llama3.2 和 Qwen2.5 系列的多个参数规模模型上进行了评测。实验结果表明，Tree-GRPO 在所有任务上均稳定优于链式 RL 方法，其中多跳问答（QA）性能提升尤为显著：在较小模型 Qwen2.5-1.5b 上有 69% 相对提升，在 Qwen2.5-3b 上取得了 36.8 的平均 EM 得分。

在 Web-Agent QA 实验设定中，Tree-GRPO 在各项指标上也均有稳定提升，在 GAIA 中有相对 28% 性能提升。

进一步分析：

树搜索 RL 的更多优势

由于 Rollout 预算是 Agentic RL 中一个重要限制，本文在不同预算设定下进行了实验，结果表明 Tree-based 方法在各种设定中均稳定优于 Chain-based 方法，尤其是在预算极其受限情况下（每个 prompt 仅 2 条完整轨迹），Tree-GRPO 相较 Chain-based 方法有 112% 提升；另外，该方法能够在 1/4 预算情况下获得更优性能（36.8 vs 33.9）。

除了性能上的提升，团队还发现 Tree-based 方法能够激发模型学习到更多轮的交互次数，这对于更加复杂的 Agent 任务有重要意义。

总结与未来展望

团队提出的 Tree-GRPO 算法给 Agentic RL 带来了全新思路，解决了现有方法中 rollout 预算大、监督信号稀疏的两大问题。通过树结构的采样和优势估计方法，Tree-GRPO 能够在多轮 Agent 任务中实现更高效、稳定的 RL 训练。

团队表示，树搜索方法是一种探索与利用的权衡，如何动态地调整 RL 训练中彼此的权重是优化学习效果的重要因素。