Hugging Face 每日论文·· 1 天前精选AI 评分56
自蒸馏在 Agent 强化学习中的效果实测：十种方法对比 GRPO 的基准研究
More Methods, Better Agents? A Reality Check on Self-Distillation in Agentic Reinforcement Learning
AI 导读
论文在 ALFWorld、ScienceWorld、Search-QA、WebShop 四个环境和三种模型规模下，将十种自蒸馏方法与 GRPO 对比，共进行 132 次训练、记录 12,124.4 H800 GPU 小时，并对预训练骨干和十一种训练方法在八个 rollout seed 上重复评测。
推荐理由
该研究用统一实验条件重测十种自蒸馏方法，指出收益有限且训练不稳定，为评估此类方法提供了可参照的基准框架。
来源：Hugging Face 每日论文 · huggingface.co