Tzafon AI 在一篇论文中给出了两个数字：多轮游戏 Wordle 的最终胜率为 0.850，而对比算法 GRPO 为 0.790；这意味着更聪明地分配训练算力，正在成为 Agent（能自主规划并调用工具完成任务的模型）公司的竞争点。

强化学习（RL，模型通过试错和奖励调整行为）中的树形 rollout，会在模型的关键决策点展开多条行动分支。常见做法是在“不确定”位置增加分支，但 Tzafon AI 的研究认为，真正稀缺的不是探索机会，而是能准确改善模型的训练信号。

这是什么

EPIG-Tree 先对策略梯度进行方差分解：一个决策点的影响，既取决于当下动作是否难选，也取决于后续结果是否难预测。前者需要增加分支，后者则更适合重复采样后续路径，再据此给候选分支打分。

这套方法可以直接利用已有训练记录筛选分支，不要求额外采样来先摸清哪里值得探索。论文称，在 13 个环境中的 9 个稠密连续控制环境里，该方法接近完整恢复参考梯度方向；在单轮数学任务上，分支位置的作用则明显弱于更细粒度的奖励分配。

行业怎么看

值得关注的变化，是 Agent 训练正在从“堆更多模型和算力”转向“提高每个训练样本的有效价值”。如果这一原则成立，同等预算下的模型能力和推理表现可能出现更稳定差距，而不是单纯增加调用次数。

但风险同样明确。EPIG-Tree 的打分依赖模型对状态、动作和未来结果的估计，在快速变化或极端环境中可能失真；目前较强的多轮任务证据主要来自 Wordle，距离复杂办公、长程工具调用仍有距离。树形训练的工程复杂度也高于常规方案，小团队未必能靠这一点取得优势。

对普通人的影响

对企业 IT：训练智能体的单位成本可能下降，但采用门槛并未同步降低。企业需要先判断自身任务是否具备可重复、可评分的流程，再考虑这类方法。

对个人职场：未来 Agent 的差距可能更多来自训练质量和执行稳定性，而非演示时是否会说漂亮话。评估供应商时，真实业务中的任务成功率会比单项榜单更有参考价值。

对消费市场：若方法被主流模型团队采用，复杂任务的完成率和稳定性有望改善，但短期内更可能首先出现在企业服务中，尚难据此判断个人工具会立刻出现多大变化。