SEED: Self-Evolving RL for Agents

heghbalz · x · 2026-07-19

这条转发介绍了一篇名为 SEED: Self-Evolving On-Policy Distillation for Agentic Reinforcement Learning 的论文。

核心思路是:把每次完成的 agent trajectory 变成一个“hindsight skill”,再用同一套持续演化的 policy 重新给采样动作打分,于是同一模型同时承担两件事:

配图展示了它在 ALFWorld、Search-based QA、WebShop 三个基准上的结果,相比 vanilla、GRPO、skill-distillation 等方法,SEED 在多个指标上更高,尤其在 ALFWorld 平均分达到 91.8,Search-based QA 平均 45.7,WebShop 成功率 78.9。

Related event: SEED: Self-Evolving Distillation for Agentic RL(2 posts)→

Original post →

More from coding & agent

coding & agent channel →