提出SDAR方法,将自蒸馏作为门控辅助目标融入强化学习以解决多轮智能体训练中的不稳定问题,在ALFWorld、Search-QA和WebShop等基准测试上显著提升GRPO基线的性能。
机构:浙大
来源:arXiv 2605.15155 | AI4Papers 论文推荐平台