Hugging Face Daily Papers·· 2026-10-16AI 评分58
面向长视界智能体强化学习的树感知后验蒸馏方法
Tree-Aware Posterior Distillation for Long-Horizon Agentic Reinforcement Learning
AI 导读
针对长视界交互中终端奖励导致的信用分配稀疏及策略过时问题,本文提出 TreeOPSD 框架。该方法将交互回合视为树节点,从共享前缀分支替代续写并递归回溯终端奖励至隐式回合级信用;随后映射为基于似然比的有界教师分布参数,通过最小化与学生的发散恢复策略梯度方向并限制更新幅度。
来源:Hugging Face Daily Papers · arxiv.org