arXiv ID:
2607.04763
arXiv 提交日期: 2026-07-06
基于前缀重放的多轮在线策略蒸馏 / Multi-Turn On-Policy Distillation with Prefix Replay
1️⃣ 一句话总结
该论文提出了一种名为ReOPD的高效训练方法,通过复用教师模型预先收集的交互轨迹,让学生在无需与环境实际互动的情况下模仿教师行为,从而大幅降低多轮任务中智能体训练的计算成本,同时保持甚至提升模型性能。