arXiv cs.AI· Shu Zhao, Tan Yu·· 1 天前AI 评分52
arXiv 论文提出 R2S：修复教师打分器的奖励无关智能体在策略蒸馏方法
Capable Teacher, Myopic Scorer: Reward-Free Teacher Repair for Agentic On-Policy Distillation
AI 导读
Shu Zhao 和 Tan Yu 在 arXiv 论文（arXiv:2610.28586）中提出 R2S（Rollout-to-Scorer Distillation），认为智能体在策略蒸馏（OPD）的失效源于下一 token 打分的短视而非复合误差，并将其命名为 rollout-scorer gap。
来源：arXiv cs.AI · arxiv.org