一句话：多会话把一条轨迹切成了几段，奖励却还按单会话时代的老规矩全员广播——Mosaic 让信用分配跟上来，按会话分层记功。
核过的硬料（arXiv 2610.22174，cs.CL，2026-10-15，一作 Yilong Xu，LARK 实验室与港科大广州，通讯作者 Zhijiang Guo，华为基础模型实验室参与，标题 Mosaic: Multi-Session Agentic Reinforcement Learning）：
- 问题定义是论文自己搭的：现有 agentic RL 默认轨迹在一个连续累积的上下文里跑完，而上下文压缩、子 Agent 分叉会把轨迹切成一串会话，训练假设和推理现实就此脱节。论文先把 GRPO 的老规矩摆清楚：同一任务采样一组 rollout，各拿轨迹级奖励，组内相对定优势——广播就是把这条轨迹级信号原样铺到所有 token，轨迹一被切成多段，全局信号和段内结构就脱了钩。
- 解法是 critic-free 的分层优化：轨迹层把"会话使用量"编进优势估计，会话层估计每个会话的边际信息增益，不需要额外的价值网络，也不改训练流程的骨架；论文自己的概括是，前者提供长期的、面向结果的全局信号，后者捕捉短期的局部边际效应，两者合成一个分层优化目标。
- 论文的边际增益有明确定义：看一个会话开始前后，策略对标准答案的对数似然变化了多少——增益大的是关键决策，增益小的接近整理信息，走弯路的会话甚至是负的。
- 排序规则其实是三条：C1 成功轨迹之间会话少的排前，C2 失败轨迹之间探索更充分的排前，C3 结果奖励本身必须保持主导——同样会话数下奖励低的轨迹优势必须更低，单靠多用会话不允许失败轨迹反超成功轨迹；帖子只讲了前两条。
- 全失败组还有专门的门控：所有会话都失败时不能简单按边际贡献排序，要保持方向一致性，探索性更强的会话拿相对更高的优势；奖励全同质的组则有专门的回退规则。
- 融合机制给了两条路：加性修正与乘性调制，论文自己点了乘性的毛病——修正量的绝对值跟轨迹优势成正比，二值奖励加组内标准化下会被组内成功失败的比例带着走。门控也不止一道：全失败门决定什么时候启动塑造，方向保持门决定塑造往哪个方向推，两道一起才既不放任自流也不过度干预。
- 实验在 BrowseComp 上用 Qwen3.5-4B：相对广播基线准确率最高 +10.1%，同时平均会话数从 3.17 降到 2.35，上下文压缩和子 Agent 分叉两个场景都赢，会话效用和分配也更合理；对手不只广播，还有多个单会话和多会话的 agentic RL 基线。RQ3 的机制分析还按会话类型拆开看边际增益分布——整理型、决策型、绕远型的分布形状各不相同，这是按类型归一化的依据。
- 消融显示两层组件各有贡献，合起来在压缩场景增益明显，在子 Agent 场景只有 modest gain；论文自己的分析还说，用会话数塑造轨迹级优势会拉大组内优势方差、提升样本效率，不同类型的会话边际增益分布各异，按类型归一化才稳得住。
- 帖子说"把 Mosaic 的估计和留一法估出的真实贡献对比，相关性远高于广播"——全文检索不到这个相关性实验，论文里没有这句话的依据，存疑，读者别当结论转述。
- 帖子没提 10.1% 和 3.17 → 2.35 这两个最硬的数字，它们才是"更少会话、更高成功率"的量化版本；也没提 C3 和全失败门控，而这两条恰是防止方法被绕过的护栏。
- 论文自陈的边界：只在 BrowseComp 一个基准上验过，网页搜索天然适合多会话，代码和数学任务的结构未必同构；边际增益的估计开销没有讨论 trade-off；4B 的行为模式未必外推到 70B。
- 论文点名的未来方向反而比帖子格局大：跨会话状态转移本身作为学习目标、多会话 rollout 天然适合异步训练、以及当 Agent 框架是黑箱时怎么做 RL——最后一条直指 Claude Code、Cursor 这类封装产品。
- 项目主页 lark-ai-lab.github.io/Mosaic，代码 github.com/LARK-AI-Lab/Mosaic，都可复现。
一句收尾：当系统从"一口气做完"变成"分段完成"，评估方式就得从全员奖金改成部门 KPI——Mosaic 就是 Agent 世界的部门级考核，粒度细到能分辨贡献，又粗到压得住估计方差。