十种自蒸馏Agent强化学习方法的对比评测

一项研究在 ALFWorld、ScienceWorld、Search-QA 和 WebShop 四个任务上，用三种模型规模对比了十种代表性自蒸馏方法与 GRPO，共完成 132 次训练、累计 12124.4 H800 GPU 小时，并对预训练骨干和全部十一种训练方法用八个 rollout 种子重复评测。 该研究由论文作者发布，核心问题是检验“更多方法是否更好”，即自蒸馏方法相对 GRPO 的实际表现。评测覆盖四个智能体任务和三种模型规模，结论以重复评测结果为准。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。