arXiv cs.LG· Zhentao Zhang, Yanzhao Zheng, Yanlin Liu, Yuanqiang Yu, Tianze Xu, Chao Ma, Jihuai Zhu, Lelun Wu, Baohua Dong, Hangcheng Zhu, Ruohui Huang, Gang Yu·· 7 小时前AI 评分24
State-OPD：面向多轮智能体的状态锚定在线策略蒸馏
State-OPD: State-Grounded On-Policy Distillation for Multi-Turn Agents
AI 导读
研究者提出 State-OPD，一种将教师监督锚定在交互状态上的在线策略蒸馏框架，通过在高响应熵状态重新分配采样预算、生成多条完整推理-动作响应，同时保留全历史学生生成。
来源：arXiv cs.LG · arxiv.org