研究提出HPD训练方法对齐Agent运行时语义

Junze Zhu等作者提出一种名为 Harness Policy Distillation（HPD）的训练方法，将产品运行时 harness 的控制语义作为显式训练目标，与动作一起联合监督模型策略，使 Agent 策略对齐运行时语义。 该方法通过回放参考轨迹恢复控制文档，再据此进行联合监督。相关论文发布于 arXiv cs.LG。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。