arXiv · AI· Shu Zhao, Tan Yu·· 4 小时前AI 评分33
R2S 提出修复 Agentic On-Policy Distillation 中教师评分器短视问题的方法
Capable Teacher, Myopic Scorer: Reward-Free Teacher Repair for Agentic On-Policy Distillation
AI 导读
R2S 提出修复 Agentic On-Policy Distillation 中教师评分器短视问题的方法。在 3 个环境、2 个教师、4 个学生的 12 个组合中，R2S 平均比最优 SOTA 方法高 12.8 个成功率。方法无需任务奖励，通过挖掘高分歧状态并微调教师以消除 rollout-scorer gap。
来源：arXiv · AI · arxiv.org