TurnWise：通过回合级信用分配提升流媒体视频强化学习

TurnWise 提出一种回合级的 GRPO 框架，通过分离每个回合的剩余回报与早期奖励，改善流媒体视频理解中的强化学习策略。该方法无需学习批评者或额外 rollout，即可平均每个回合内的 token 损失，使响应与等待决策权重相等。实验表明，TurnWise 在流媒体视频理解任务中优于现有强化学习方法。