论文提出分层智能体蒸馏框架，厘清 on-policy 与 off-policy 取舍
原文标题：Beyond On-Policy vs. Off-Policy: At What Level Should LLM Agent Distillation Follow the Student?
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究指出交互式 LLM 智能体蒸馏中，诱导交互历史的策略与生成当前动作 token 前缀的策略并不相同，据此提出分层蒸馏框架以显式控制两层 on-policy 程度的配对、混合比例与训练日程。跨三个模型、四个交互环境的实验发现学生诱导历史搭配教师动作前缀效果最佳，而完全跟随学生在两层均最差，前置教师上下文、延后全 on-policy 数据优于静态混合。
- 问题
- 交互式智能体蒸馏中 on-policy 与 off-policy 数据如何取舍缺乏清晰框架。
- 方法
- 把蒸馏拆成历史诱导与动作前缀两层 on-policy 程度，显式控制配对、混合比例与训练日程。
- 结果
- 学生诱导历史配教师动作前缀效果最佳，两层全跟学生最差；前置教师上下文、延后全 on-policy 数据优于静态混合。
- 影响
- 给智能体蒸馏的数据配比提供可操作结论，避免盲目追求全 on-policy 数据。
深读 · 结论先行AI 生成展开看要点与影响 ↓
分层蒸馏拆开「历史诱导」与「动作前缀」两层，全跟学生最差
- •指出诱导交互历史的策略与生成当前动作 token 前缀的策略可以不同，据此分两层控制 on-policy 程度
- •跨三个模型、四个交互环境做三阶段受控实验
- •学生诱导历史搭配教师动作前缀单独训练信号最强，两层都跟学生表现最差
- •全 on-policy 数据混入其他配置后转为有益；两层教师/学生比例相同也可能表现差异明显
- •前置教师生成上下文、延后全 on-policy 数据，优于静态混合
为什么重要：给做智能体蒸馏的团队一个可操作结论：on-policy 与 off-policy 不是二选一，配对方式比总量更重要。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。