Novos artigos testam autodestilação para RL agêntico

Três artigos no arXiv examinam métodos de autodestilação para treinar agentes baseados em modelos de linguagem com recompensas esparsas de aprendizado por reforço. O AgentOPSD propõe um método recursivo sem crítico para atribuição de crédito no nível dos turnos e relata avaliações no ALFWorld, WebShop e Search-QA usando modelos Qwen2.5 de 3B e 7B. O OCSD propõe contrastar visões de replay completas e com observações removidas para isolar a supervisão de observações futuras, enquanto um artigo separado argumenta que professores condicionados por informação privilegiada podem reduzir a perda por token sem melhorar, e muitas vezes piorando, a acurácia de validação em tarefas mais difíceis.