缪子优化器(Muon)在大规模预训练中可与AdamW相媲美,但其在强化学习(RL)后训练阶段的价值尚不明确。我们通过在ALFWorld环境中、以Qwen2.5-0.5B-Instruct模型为基础,采用单种子严格匹配的对比实验,研究了标准版Muon在稀疏奖励智能体强化学习中的表现。在“组内组策略优化”(GiGPO)框架下,仅将Muon应用于隐藏层权重矩阵,即可使最终验证窗口的成功率从0.290提升至0.546(增幅达88%);而采用高学习率的AdamW基线方法,在完成更新后则完全无法取得任何成功。该提升效果依赖于优势函数估计器(advantage estimator)的选择与学习率的设定:当学习率为3e-5时,Muon将GRPO的成功率从0.161提升至0.268;而在GraphGPO中,其晚期验证窗口的成功率差距则在接近饱和状态时显著收窄。当学习率降至1e-5时,采用Muon的GraphGPO进一步将成功率提升至0.901,将归一化验证AUC值从0.399提高至0.556,并分别提前30轮和60轮迭代达到0.5和0.75的成功率阈值。这些探索性结果表明,Muon确实有望提升智能体强化学习的性能,也提示我们有必要将策略优化器、优势函数估计器与学习率三者作为一个整体进行协同研究。多随机种子验证及跨任务泛化能力评估仍有待后续开展。

