自蒸馏智能体强化学习现实检验：十种方法对比 GRPO 未见一致优势
More Methods, Better Agents? A Reality Check on Self-Distillation in Agentic Reinforcement Learning
阅读原文
本站未展示全文，请前往来源网站阅读。
AI 导读
一项研究在 ALFWorld、ScienceWorld、Search-QA 和 WebShop 四个环境中，将十种代表性自蒸馏智能体强化学习方法与 GRPO 在三种模型规模下直接对比，共 132 次训练、12,124.4 H800 GPU 小时。结果发现没有任何方法在所有设置下稳定超过 GRPO，最终高性能可能掩盖训练不稳定，额外训练成本也不必然带来更好表现。
来源：Hugging Face Daily Papers · arxiv.org