UOPD方法提出：基于不确定性的多轮智能体在线蒸馏干预
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
多轮环境中，在线策略蒸馏（OPD）的学生模型在关键步犯错会导致后续轨迹恶化。UOPD依据教师对学生动作的置信度筛选高不确定步进行干预：低不确定步执行学生动作并施加常规OPD损失；高不确定步执行教师动作并以SFT方式让学生模仿，期望上最小化前向KL散度。该方法采用自适应阈值控制干预率。在ALFWorld、WebShop和Search任务上，UOPD优于常规OPD及其变体，WebShop得分较标准OPD最高提升15.8%。
为什么值得看
解决多轮智能体蒸馏中关键步失误导致的轨迹崩塌，用极简干预实现显著收益。
智能体蒸馏
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。