AgentOPSD：递归自蒸馏提升智能体强化学习，ALFWorld成功率89.1%
Tsinghua · hf · 2026-08-07
清华大学提出AgentOPSD，一种无需critic的递归方法，用于智能体强化学习中的回合级信用分配。它聚合token级教师-学生对数概率差距，并在对数几率空间递归更新贝叶斯信念状态，将稀疏结果监督转化为回合级信用信号。在ALFWorld、WebShop和Search-QA上使用Qwen2.5-3B/7B评估，AgentOPSD优于GRPO和强自蒸馏基线，在ALFWorld上达到89.1%成功率。消融实验表明增益来自回合级聚合和依赖历史的递归信念更新。
「研究」频道最新
- 研究发现:想象疼痛无法重现真实疼痛的体位选择性神经模式 — AnnaCiaunica · 2026-10-16
- Simplex Diffusion Models 论文作者周一开讲 — LucaAmb · 2026-10-16
- 开源工具用 pass/fail 自动复算论文指标，7 项指标实测 4 过 1 挂 — jwt0625 · 2026-10-16
- 藤洋之介公开演讲:从 AI 智能体迈向 Agentic Robotics — HirokatuKataoka · 2026-10-16
- 数学只是语言吗：一场关于 LLM 为何擅长数学的争论 — LucaAmb · 2026-10-16
- 阿里开源 OpenGCUA:全栈开放通用电脑操作 Agent,OSWorld-v2 均分提升 19.6 — Tongyi-MAI · 2026-10-16