在多智能體戰略交互任務中，語言模型智能體的訓練面臨重大挑戰：每個動作的質量可能取決於從未發生的未來事件、違反遊戲規則的移動或其他玩家的決策。標準強化學習假設每一步都可以分配獎勵，但這一假設在結果跨時間和智能體交織的場景中失效。
本研究引入了一種延遲逐步獎勵歸因方法，結合資格門控機制，構建了完整的回合生命週期和後處理流水線：僅在回合結束時計算獎勵，根據任務特定語義將獎勵傳播回原始步驟，並排除缺乏有效依賴信息的步驟。此外，通過vLLM的連續批處理實現異步rollout生成、基於課程的對手採樣以及多層級分層批次構建，該方法在多智能體環境中實現了穩定且樣本高效的強化學習訓練。
在NeurIPS 2025的MindGames Arena基準測試中，一個僅有80億參數的開源模型經過該方法訓練後，在直接對抗中匹配甚至超越了包括GPT-5在內的顯著更大的專有系統，並在開放賽道（無限制）和高效賽道（≤8B參數）均獲得第一名。