ToolOPD: 用于工具使用智能体的信用感知在线策略蒸馏

ToolOPD 提出一种面向长程工具使用的结果感知在线策略蒸馏框架，能显著提升小语言模型的工具调用能力。 该方法将轨迹结果总结为可复用的事后技能，通过衡量该技能对教师模型概率的影响来生成信用权重，并联合强化学习优化。 在多项长程工具交互基准测试中，ToolOPD 显著优于现有的强化学习和自蒸馏基线方法。