arXiv cs.AI / cs.LG 最新· Juncheng Diao·· 21 小时前AI 评分50
SAPD 方法让 Agent 不用与环境交互也能从离线轨迹学习策略
SAPD: Learning from Agent Experience without Environment Interaction
AI 导读
SAPD 是一种只靠离线轨迹训练 LLM Agent 的策略蒸馏方法，训练过程不需要新的环境观测，也不需要额外的多轮交互。它把多轮轨迹拆成单个决策上下文做同策略（on-policy）蒸馏，并引入相对步优势信号来稳定训练。
标题与摘要由 AI 辅助生成，事实与观点以原文为准。
来源：arXiv cs.AI / cs.LG 最新 · arxiv.org
本站标题、摘要与推荐理由由 AI 辅助生成；原文版权归来源所有。