熵平衡优化

在智能体强化学习（Agentic RL）的快速发展浪潮中，如何在探索潜力与训练稳定之间取得精妙平衡，已成为制约多轮智能体性能提升的核心瓶颈。传统的熵驱动式智能体强化学习方法虽然通过在高不确定性节点触发分支探索来提升推理路径的多样性，但这种依赖单一熵信号的机制在实践中暴露出显著缺陷：过度追求探索往往导致训练过程剧烈震荡，甚至引发策略熵坍塌，使智能体陷入局部最优…