SCOPE：面向智能体强化学习的选择性关键步自蒸馏
原文标题：SCOPE: Selective Critical-Step On-Policy Self-Distillation for Agentic Reinforcement Learning
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。
论文提出 SCOPE 框架，让策略分析自身轨迹、生成步骤级事后技能，仅在选定的错误步骤上蒸馏指导，并用有界带符号师生系数稳定更新。在 ALFWorld 与 WebShop 上，Qwen2.5-3B 分别达到 97.7% 与 85.2% 成功率，扩展至 Qwen3-32B 后未见任务成功率达 94.0%。
- 问题
- 长程智能体强化学习只有结果级粗监督，失败轨迹含正确步、成功轨迹含错误步。
- 方法
- 让策略自析轨迹生成步骤级事后技能，只在选定错误步蒸馏，并用有界带符号师生系数稳定更新。
- 结果
- Qwen2.5-3B 在 ALFWorld 达 97.7%、WebShop 达 85.2%，分别超 SEED 5.9 与 6.3 个点；未见任务 89.6%，超 GRPO 23.2 个点且交互少 46.7%。
- 影响
- 给智能体 RL 训练提供更细粒度的信用分配，直接提升小模型在工具任务上的成功率与样本效率。
深读 · 结论先行AI 生成展开看要点与影响 ↓
SCOPE仅在选定错误步骤上自蒸馏，Qwen2.5-3B在ALFWorld达97.7%、WebShop达85.2%
- •策略分析自身轨迹生成步骤级事后技能，仅在选定错误步骤蒸馏，避免无关步骤的偏离目标信号
- •用有界带符号师生系数稳定辅助更新，同时保留正向强化与负向纠正
- •Qwen2.5-3B在ALFWorld和WebShop分别超SEED 5.9和6.3个百分点
- •未见ALFWorld任务达89.6%，超GRPO 23.2个百分点且交互少46.7%
- •扩展至Qwen3-32B后，已见任务99.2%、未见任务94.0%
为什么重要：针对长程智能体RL中结果监督过粗的问题给出选择性蒸馏方案，对做智能体后训练的团队有直接参考价值。
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。