Nuevos papers ponen a prueba la autodestilación para RL agéntico

Tres papers de arXiv examinan métodos de autodestilación para entrenar agentes basados en modelos de lenguaje con recompensas escasas de aprendizaje por refuerzo. AgentOPSD propone un método recursivo sin crítico para la asignación de crédito a nivel de turno y reporta evaluaciones en ALFWorld, WebShop y Search-QA usando modelos Qwen2.5 de 3B y 7B. OCSD propone contrastar vistas de repetición completas y con observaciones eliminadas para aislar la supervisión de observaciones futuras, mientras que un paper separado sostiene que los profesores condicionados por información privilegiada pueden reducir la pérdida por token sin mejorar, y a menudo degradando, la precisión de validación en tareas más difíciles.