Pesquisadores refinam destilação on-policy para agentes

Três artigos no arXiv tratam das limitações da destilação on-policy, em que um modelo professor supervisiona trajetórias geradas por um modelo aluno. O FutureBridge-OPD testa intervenções curtas do professor em estados de alta discordância e relata ganhos no ALFWorld, WebShop e ScienceWorld em uma configuração de Qwen3-32B para Qwen3-1.7B. O SPOT usa sondagem esparsa e continuações avaliadas por verificadores para decidir onde e o que destilar, enquanto um método de recuperabilidade contrafactual reproduz estados de erro para decidir se deve manter, reverter ou supervisionar uma trajetória de forma convencional.