研究人员提出多轮智能体在线蒸馏框架STI-OPD

2026年10月9日，研究人员提出名为STI-OPD（面向智能体策略内知识蒸馏的随机教师干预）的新框架，以解决多轮智能体在策略内知识蒸馏（OPD）中早期错误累积的问题。该方法通过策略差异引导的随机教师干预，利用KL散度自适应平衡教师控制与学生探索，并引入重要性加权反向KL目标以校正采样失配。实验表明，在工具集成推理和长流程交互任务中，STI-OPD在所有评测基准和模型规模上均优于最强的OPD基线。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。