智能体强化学习自蒸馏方法现实检验

2026年10月14日，一项研究对智能体强化学习中的自蒸馏方法进行了大规模现实检验。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，共进行132次训练，消耗12,124.4 H800 GPU小时。结果显示，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。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。