研究者提出STI-OPD随机教师干预框架

Junnan Liu等作者提出 STI-OPD，一种面向多轮智能体在线策略蒸馏（OPD）的随机教师干预框架。其做法是用师生策略差异引导教师替换学生动作，以获取更可靠的监督信号。 据该研究，方法用 KL 散度估计策略差异并映射为干预概率，通过采样自适应平衡教师控制与学生探索，并引入 Importance-Weighted Reverse KL 目标修正 token 采样偏差。上述效果为论文所提出，尚未见独立验证。

AI 根据报道生成 · 57 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。