自我反思蒸馏用事后经验训练事前预判

论文作者提出并评估自我反思蒸馏（SRD），把交互完成后的轨迹经验用于监督同一策略在行动前作出预判，以补充可验证奖励强化学习（RLVR）。基于论文摘要，SRD在10个工具集成推理和长时程智能体任务上，相对RLVR与自蒸馏基线最高提升24.2个百分点。 当2B设置中98%的轨迹组全部失败时，RLVR成功率为0.0%，加入SRD后在相同采样预算下达到60.6%。SRD仅将事前预判作为训练目标，推理时无需显式生成该预判。

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。