Hugging Face · 每日论文· 媒体 / 作者来源·精选
TreeOPSD：面向长程智能体强化学习的树感知后验自蒸馏框架
原文标题
Tree-Aware Posterior Distillation for Long-Horizon Agentic Reinforcement Learning
AI 导读
论文提出 TreeOPSD，一种无需 critic、树感知的后验自蒸馏框架，用于长程智能体强化学习。该方法将每个交互轮视为树节点，从共享前缀分支出替代延续，并递归地把终端奖励回传为隐式轮级信用，再映射为以相对冻结行为策略似然比为参数的闭式有界教师分布。实验显示其在多个基准和模型规模上提升智能体能力，Qwen3-30B-A3B-Thinking-2507 在 Deep Research 设置下平均准确率较 GRPO 提升 4.97 分。
来源：Hugging Face · 每日论文 · arxiv.org
导读与选稿说明
为长程智能体 RL 提供了无需价值网络和步骤标注的轮级信用分配方法，并用有界教师分布约束多轮小批量更新，可用于提升深度研究等长程任务的训练稳定性与效果。
导读由模型辅助整理，非独立核验。完整信息见原文。