MultiAgent-OPD：通过在策略蒸馏端到端训练层级多智能体系统
MultiAgent-OPD将策略蒸馏与强化学习结合起来，对由领导者、搜索智能体和回答智能体组成的层级团队进行端到端联合训练。一个预先训练并冻结的教师模型会评估搜索智能体生成的搜索和摘要标记，为搜索过程提供局部监督。领导者根据团队整体成功情况学习，回答智能体则根据答案正确性进行训练。在七个数据集上，该系统以四次尝试为评估条件取得38.68%的宏平均成绩，较Prompted Critic高4.06个百分点，较C-MAS + RL高2.61个百分点。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。