R2S：蒸馏前先修复教师评分器

Shu Zhao 与 Tan Yu 提出 Rollout-to-Scorer Distillation（R2S），主张在蒸馏前先修复教师评分器，以解决智能体在线策略蒸馏中的评分短视问题。 其做法是：从未训练的学生模型出发挖掘高分歧状态，在这些状态上执行教师接管，只保留足够多次接管通过无奖励检查（如共识或 LLM judge）的状态，再微调教师，使其在上下文中不含接管内容的情况下，对从分歧轮次起的每个助手 token 给出受接管信息引导的评分。 报道未给出该方法在基准任务上的效果数据。

AI 根据报道生成 · 50 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。