面向智能体强化学习的群体反思式自蒸馏

该论文提出群体反思式自蒸馏（GRSD），利用策略自身在同一提示下产生的成功与失败轨迹，构造能力匹配、结果可区分的指导信号，并细化逐轮信用分配。方法通过停止梯度快照对比反思内容，在保留验证器奖励学习方向的同时调节优势，据摘要称在多种智能体环境、模型规模及未见任务上优于基线。