ToolOPD：面向长程工具使用的信用感知在策略蒸馏

1. 12:00
   arXiv · cs.AI

   ToolOPD：面向工具使用智能体的信用感知在策略蒸馏

   ToolOPD 提出面向长程工具使用的在策略蒸馏框架，通过结果感知的信用分配替代均匀轨迹监督，并与强化学习联合优化。基于论文摘要，该方法先将轨迹及结果总结为可复用的后见技能，再依据教师对各动作 token 的概率变化生成信用，重加权蒸馏损失；作者报告其在多个长程工具交互基准上显著优于现有强化学习与自蒸馏基线。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。