SEED：面向智能体强化学习的自进化同策略蒸馏

大语言模型作为交互式智能体处理长时任务时，基于结果的强化学习存在稀疏轨迹级奖励与 token 级策略学习之间的监督缺口。SEED（自进化同策略蒸馏）将已完成的同策略轨迹转换为训练时的后见技能和可区分的细粒度信号。

查看原文