研究对比十种自蒸馏智能体强化学习法

Linhao Zhong 等研究人员发布论文，在 ALFWorld、ScienceWorld、Search-QA 和 WebShop 上对比了 10 种代表性自蒸馏方法与 GRPO，覆盖 3 种模型规模，共完成 132 次训练、累计 12,124.4 H800 GPU-hours。 结果显示，各方法相对 GRPO 的增益范围有限，没有方法在所有设置下持续胜出；强劲的最终性能可能掩盖训练不稳定，额外训练成本也未稳定转化为更好表现。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。