arXiv · ML· Zhentao Zhang, Yanzhao Zheng, Yanlin Liu, Yuanqiang Yu, Tianze Xu, Chao Ma, Jihuai Zhu, Lelun Wu, Baohua Dong, Hangcheng Zhu, Ruohui Huang, Gang Yu·· 2026-10-12AI 评分35
State-OPD:面向多轮智能体的基于状态的在线策略蒸馏框架
State-OPD: State-Grounded On-Policy Distillation for Multi-Turn Agents
AI 导读
State-OPD 将教师监督锚定在交互状态上,通过在响应高熵状态下重新分配采样预算生成完整的推理-动作响应,实现了对 Qwen3-1.7B 和 Qwen3-4B 学生的有效训练。
来源:arXiv · ML · arxiv.org