長軌跡只靠完結時一次獎勵學習，往往會令多數步驟欠缺直接回饋。CoPE 是建基於 AgentGym-RL 及 verl 分支的強化學習框架，透過逐步預測智能體接下來會採取的 K 個行動，為每個決策位置加入更細緻的訓練訊號。
模型骨幹同時負責 acting 與 forecasting：智能體按既有 policy 行動，並在每一步預測未來行動；完成 rollout 後，真實行動序列會監督預測結果，再把學習成果蒸餾回同一個 policy。關閉相關功能後，訓練路徑便維持標準 Group Relative Policy Optimization（GRPO），方便按研究需要比較。
- 每一步預測 K 個後續行動，補充終結獎勵欠缺的分步監督。
- acting 與 forecasting 共用一個模型，不需額外模型或預訓練階段。
- 推理時仍逐步行動，不加入額外運算開支。
- 支援 SciWorld、ALFWorld、WebShop、AppWorld 及 τ²-bench 五個互動環境。
結果顯示，CoPE 在上述環境擊敗 GRPO 與 predictive-auxiliary baselines；樣本效率最高提高 2 倍，其中 ScienceWorld 為 2.0 倍、AppWorld 為 1.6 倍。任務成功率相對 GRPO 在 ALFWorld、WebShop 與 ScienceWorld 分別增加 5.0、12.5 及 8.0 個百分點。
配置需要 Python 3.10 訓練環境及獨立環境服務；WebShop 使用 Python 3.8，τ²-bench 需要 Python 3.12 或以上，並須取得 AgentGym submodule。這套架構適合研究互動式語言智能體、計算成本受控的團隊，以及比較 action forecasting 與稀疏獎勵訓練方法的開發者，但多環境配置與 GPU 需求增加了安裝門檻。