Agentic Entropy-Balanced Policy Optimization（AEPO）是由中国人民大学联合快手研究团队于 2025 年 10 月提出的，相关研究成果发表于论文「Agentic Entropy-Balanced Policy Optimization」。

AEPO 是一种旨在在策略展开和策略更新阶段平衡熵的代理强化学习（RL）算法，由两个核心组件构成：（1）一种动态熵平衡的扩展机制，通过熵预监控自适应分配全局和分支采样预算，同时对连续的高熵工具调用步骤施加分支惩罚以防止过度分支问题；（2）熵平衡策略优化，将停止梯度操作插入到高熵裁剪项中，以保留并适当重缩放高熵标记上的梯度，同时结合熵感知优势估计以优先学习高不确定性标记。在 14 个具有挑战性的数据集上的结果表明，AEPO 始终优于 7 种主流 RL 算法。