论文用学习前沿筛选教师引导，提升多轮智能体自主表现。
资讯摘要
论文提出 Frontier-OPD，一种面向多轮智能体的在线策略蒸馏方法。它把在线策略经验组织为共享状态轨迹图，通过轨迹平衡的师生分歧聚合筛选干预候选，再用短教师桥接与后续学生续写同原轨迹等长片段比较一致性，判断学生能否在引导后自主延续。被接受的教师回复用于扩充蒸馏数据，并随策略变化重新采样更新前沿估计。
要点速读
- 论文将学习前沿定义为仍有挑战、但经简短教师引导后可自主延续的决策情境。
- 方法用共享状态轨迹图与轨迹平衡的师生分歧聚合选出干预候选，并以桥接段与后续续写的对比过滤引导。
- 在 ALFWorld、WebShop、ScienceWorld 上，作者报告其平均自主性能高于对比的蒸馏基线；消融显示候选选择与引导过滤有互补作用。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。