**PACT：从信用分配到评论家对齐**

_PACT: From Credit Assignment to Critic Alignment_

> 论文提出 token 级信用的三项正则条件——完备性、前缀一致性与中性，并证明它们唯一确定 token 级信用，从而统一解释现有算法。基于此，作者提出 Policy Aligned Critic Training（PACT）：采用“先 Actor 后 Critic”的更新顺序，对评论家训练做重要性采样校正，使其更好对齐更新后的策略。在智能体数学推理四个基准上平均准确率 72.87%，分别超 GRPO 和 PPO 8.80 与 13.16 个百分点；在 SWE-bench Verified 上通过率 67.4%，分别超 PPO、GRPO、SAO 2.4、2.0 和 3.8 个百分点。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-24 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.26355)