Investigadores perfeccionan la destilación on-policy para agentes

Tres artículos en arXiv abordan los límites de la destilación on-policy, en la que un modelo docente supervisa trayectorias generadas por un modelo estudiante. FutureBridge-OPD prueba breves intervenciones del docente en estados con alto desacuerdo y reporta mejoras en ALFWorld, WebShop y ScienceWorld en un esquema de Qwen3-32B a Qwen3-1.7B. SPOT utiliza sondeos escasos y continuaciones puntuadas por un verificador para decidir dónde y qué destilar, mientras que un método de recuperabilidad contrafactual reproduce estados de error para decidir si conservar, revertir o supervisar de forma convencional una trayectoria.