R²Orch：用自博弈+技能内化循环实现智能体编排的自我改进

CUHKSZ · hf · 2026-11-02

CUHKSZ 团队提出 R²Orch，让智能体编排器（orchestrator）无需人工设计课程即可通过递归自博弈训练。方法包含：外循环的技能撤回（当「有技能 k」与「无技能 k」表现相当时撤回该技能，失败被蒸馏为新技能）、内循环的可学习任务选择（以递归可学习性作为奖励，用 GRPO 更新）。相比固定任务池、成功率门槛等基线，该方法在推理与交互式任务上均取得提升，目标是让编排能力最终「零技能」也成立。