11:55
官方账号arXiv cs.LG@Tianyi Men, Zhuoran Jin, Kang Liu, Jun Zhao
推荐理由：这篇用一个可控环境拆解了AI长程规划的训练机制，发现次优数据会拖累性能，多教师蒸馏能整合不同能力，值得做训练方法的人细读。
MOPD
共 1 条相关 AI 资讯
7月28日
11:55
论文提出统一多轮环境，系统研究规划能力在预训练与后训练三阶段的获取、塑造与整合。预训练中，显式世界模型通过CoT状态转换建模提升长程泛化，少量长程数据即可实现组合泛化，但次优轨迹因误差累积严重损害性能。后训练中，OPD在低质长程设置下的有效区域比GRPO更广，不同知识的教师蒸馏可能损害学生先验世界模型。多教师在线策略蒸馏（MOPD）通过收敛到共享规划模式整合能力，兼容模式支持跨环境泛化，冲突模式导致干扰。