线下股票配资个性化智能体强化学习框架上线，8B模型盲测第一

PARPO 团队投稿线下股票配资

量子位 | 公众号 QbitAI

当个性化Agentic RL遇上现实用户平台场景时，一直存在一个常见难点：面对同样的query，不同用户往往偏好不同的规划策略、工具调用和最终表达。

如果只优化通用的任务完成度，模型容易学成“平均用户最喜欢的样子”；直接把历史行为塞进prompt，又可能把从众、流行度和上下文噪声误当成真实偏好。

针对这些挑战，来自中国科学技术大学与阿里巴巴集团的研究团队提出PARPO（Personalized Anchor Reward-Decoupled Policy Optimization），把个性化正式放进Agentic RL的训练期优化目标。

问题：正确答案为什么还不够

在代码生成、搜索等有明确答案的任务里，奖励相对容易定义；但在电商助手、旅行规划和日程安排中，多条轨迹都能“完成任务”，用户真正在意的却是是否符合自己的习惯、约束与偏好。

论文将挑战归纳为三点：

C1：个性化奖励含义不清——通用奖励无法表达同一条轨迹对不同用户的不同价值；

C2：偏好信号被行为混合——真实兴趣、流行度影响和群体从众交织在一起；

C3：记忆仍然太扁平——难以显式表达用户、技能、工具、场景与历史轨迹之间的关系。

△相同query面对不同用户时，最优轨迹可能完全不同。

PARPO的闭环：记忆、奖励与优化各司其职

PARPO不是单独替换GRPO的一个公式，而是三个相互衔接的部分：PSGM在rollout之前提供用户相关的技能和经验；两阶段偏好解耦奖励模型在rollout之后产生个性化奖励；PARPO优化器将通用任务质量和个性化偏好分成两条advantage轨道，再进行策略更新。高质量轨迹随后被总结为新技能写回PSGM，形成“检索—交互—评价—优化—积累”的闭环。

PSGM（偏好对齐技能演化图记忆）把历史经验组织为包含User、Skill、Tool、Scenario、Trajectory五类节点的异构图：检索时先按query找到语义种子技能，再沿“技能—用户—同源技能”扩展候选，综合用户相关性、互补加成与冲突惩罚排序——找回来的经验未必在文本上最相似，却处在同一个有效行为邻域里。

奖励模型分两阶段：第一阶段用多视角用户画像缓解冷启动；第二阶段在用户—物品交互图上用LightGCN建立兴趣与从众两个正交分支，兴趣分支提高低流行度项目的权重、从众分支相反，从而从混合行为中提取更干净的偏好信号。

优化器侧，个性化分支通过指数移动平均维护用户级历史锚点，让当前奖励与该用户自己的历史中心比较，而不是与所有用户混合后的均值比较，缓解异质偏好下的reward-center与reward-scale失配。直觉是：通用质量负责让agent把事情做对，个性化质量负责让它用这个用户愿意接受的方式做好。

△PARPO完整训练闭环。PSGM改变rollout输入，偏好奖励模型提供个性化监督，PARPO将两类奖励转成两条advantage轨道。

主结果：更像这个用户想要的完成方式

论文在ETAPP、更困难的ETAPP-Hard和面向商家决策的SJAgent上评估（Qwen3-4B/8B），与ReAct、GRPO、DAPO、GSPO、GiGPO、MemRL、SkillRL等方法比较。ETAPP上，8B模型的Judge分数达到0.8333，Personal、Proactive、Procedure等维度全面领先；SJAgent上Reward达到0.8270。在15位人类专家与4组LLM judge的盲测中，PARPO均排名第一，最大优势出现在User Relevance——说明提升主要来自更强的用户对齐，而不只是更顺滑的文字表达。

消融实验显示：去掉技能记忆后Judge从0.7708降至0.7006，是所有消融中最大的降幅；去掉用户锚点或兴趣、从众任一分支也都明显掉点——记忆、解耦和用户锚点缺一不可。