AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning
AgentOPSD 是一种无评论家的递归方法，用于智能体强化学习中的回合级信用分配。它聚合 token 级教师-学生对数概率差距，并在对数几率空间中递归更新贝叶斯信念状态，将稀疏结果监督转化为回合级信用信号。该方法与标准策略优化兼容，无需额外评论家或额外 rollout。在 ALFWorld、WebShop 和 Search-QA 上使用 Qwen2.5 模型（3B 和 7B）进行评估，AgentOPSD 优于 GRPO 和强自蒸馏基线。
Development
- First ReportAgentic Reinforcement Learning with Observation-Calibrated Self-DistillationarXiv cs.CL
- Industry ResponseAgentOPSD: Recursive Self-Distillation for Agentic Reinforcement LearningarXiv cs.AI
- Current AssessmentAgentOPSD 等方法的出现表明，智能体强化学习正在从稀疏奖励转向更细粒度的信用分配，这可能提高长程任务中智能体训练的效率。可验证的下一信号：该方法在工业级智能体训练中的应用。Agent Pulse · analysis
AgentOPSD 提出了一种无评论家的递归方法，用于智能体强化学习中的回合级信用分配。它通过聚合 token 级教师-学生对数概率差距，并在对数几率空间中递归更新贝叶斯信念状态，将稀疏的结果监督转化为回合级信用信号，并识别关键回合。该方法与标准策略优化兼容，无需额外评论家或额外 rollout。在 ALFWorld、WebShop 和 Search-QA 上使用 Qwen2.5 模型（3B 和 7B）进行评估，AgentOPSD 优于 GRPO 和强自蒸馏基线。
AgentOPSD 通过递归贝叶斯信念更新在 log-odds 空间中聚合 token 级信号，提供了一种无需评论家的回合级信用分配方法。这解决了长程多回合任务中稀疏奖励的信用分配问题。可验证的下一信号：在更多任务和模型规模上的复现，以及与其他信用分配方法的对比。
AgentOPSD 等方法的出现表明，智能体强化学习正在从稀疏奖励转向更细粒度的信用分配，这可能提高长程任务中智能体训练的效率。可验证的下一信号：该方法在工业级智能体训练中的应用。
AgentOPSD 可能降低训练高性能智能体的计算成本，因为它无需额外评论家或 rollout，从而提升训练效率。可验证的下一信号：在商业智能体产品中的部署。
未来，递归信用分配方法可能成为智能体强化学习的标准组件，特别是在需要长程决策的任务中。可验证的下一信号：该方法在更复杂环境中的表现。