ReGRPO: Reflection-Augmented Policy Optimization for Tool-Using Agents

ReGRPO 关注工具调用型 VLM agent 在失败后的恢复能力，而不是只从成功轨迹做 SFT。方法先执行 near-miss actions 来收集 grounded failure observations，再构造 Reflection-of-Thought triplets，包括 ErrorType、Evidence 和 FixPlan，与纠正动作配对 warm-start；RL 阶段则用 group-relative advantages 联合优化反思 token 和 corrective action，并加 reflection-cost 抑制不必要反思。在 GTA 与 GAIA 上，它在同 backbone 和 tool suite 下超过强开源 baseline，说明“失败解释”可以成为可训练的过程信号，而不只是日志分析材料。