研究提出多轮智能体训练方法PSP

Xingyu Su 等作者提出多轮智能体训练方法 Privileged Self-Practice（PSP），将特权信息从损失函数移到采样器：当任务 rollout 大多失败时，注入分析模型撰写的任务指令重新采样，再用不变的 GRPO 目标训练。 研究称，此前的 on-policy 自蒸馏（OPSD）在多轮智能体中会让模型表现得像拥有从未见过的特权信息，性能甚至可能低于未训练基座模型。PSP 即针对这一问题提出。

AI 根据报道生成 · 52 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。