Skip to main content

TrajWiseLearning——StarPO (State-Thinking-Actions-Reward Policy Optimization)

简介​

StarPO (State-Thinking-Actions-Reward Policy Optimization) 是一种用于LLM智能体训练的强化学习算法。它通过将整个多轮交互轨迹（包括观察、推理轨迹、动作和反馈）视为一个连贯的单元来进行优化，而不是像传统方法那样独立处理每个动作。

StarPO的核心思想是轨迹级别的优化，它交替进行两个阶段：

  1. Rollout阶段：生成推理-交互轨迹
  2. Update阶段：基于完整轨迹进行模型优化

StarPO 配置参数​

在 ROLL 中，StarPO实现核心代码位于roll/pipeline/agentic/utils.py，使用StarPO算法特有的配置参数如下(roll.pipeline.agentic.agentic_config.AgenticConfig)：

# StarPO core config
# StarPO related
adv_estimator: "reinforce"

# rollout_batch_size是轨迹的条数
rollout_batch_size: 1024
val_batch_size: 1024
sequence_length: 1024

advantage_clip: 0.2
ppo_epochs: 1

# pg_clip: 0.1
#dual_clip_loss: True
init_kl_coef: 0.0
whiten_advantages: true
entropy_loss_coef: 0
max_grad_norm: 1.0

reward_normalization:
  grouping: traj_group_id # 可以tags(env_type)/traj_group_id(group)/batch(rollout_batch)... group_by计算reward/adv
  method: mean # asym_clip / identity / mean_std / mean

train_env_manager:
  max_env_num_per_worker: 16
  num_env_groups: 128
  # under the same group, the env config and env seed are ensured to be equal
  group_size: 8 # grpo的grpo
  tags: [FrozenLake]
  num_groups_partition: [128] # If not set, all env names divide nums equally. Under the same group, the env config and env seed (prompt) are equal in each generation

env_manager_cls: roll.pipeline.agentic.env_manager.traj_env_manager.TrajEnvManager

核心参数说明​

  • adv_estimator: 优势估计器类型，设置为 "reinforce"，这是StarPO算法的核心配置
  • env_manager_cls: 轨迹环境管理器类，StarPO需要使用 roll.pipeline.agentic.env_manager.traj_env_manager.TrajEnvManager

PPO 相关参数​

以下参数是PPO类算法通用的配置项：

  • rollout_batch_size: 每个rollout批次的轨迹数量，默认值为 1024
  • val_batch_size: 验证批次大小，默认值为 1024
  • sequence_length: 序列最大长度，默认值为 1024
  • advantage_clip: 优势值裁剪范围，默认值为 0.2
  • ppo_epochs: 每个批次样本的优化轮数，默认值为 1
  • init_kl_coef: KL惩罚的初始系数，默认值为 0.0
  • whiten_advantages: 是否对优势值进行白化处理，默认值为 true
  • entropy_loss_coef: 熵损失系数，默认值为 0
  • max_grad_norm: 梯度裁剪的最大范数，默认值为 1.0

环境管理器参数​

  • train_env_manager.max_env_num_per_worker: 每个工作进程的最大环境数，默认值为 16
  • train_env_manager.num_env_groups: 训练环境组数量，默认值为 128
  • train_env_manager.group_size: 每组环境数量，默认值为 8
  • train_env_manager.tags: 环境标签列表，默认值为 [FrozenLake]
  • train_env_manager.num_groups_partition: 各环境类型的组数分配，默认值为 [128]

参考示例​

可以参考以下配置文件来设置 StarPO 训练：

  • ./examples/qwen2.5-0.5B-agentic/agent_val_frozen_lake.yaml

参考文献​

[1] Liu, T.; Feng, L.; An, B. StarPO: State-Regularized Policy Optimization for LLM Agent Training. arXiv 2025, 2504.20073.