方法更多，智能体就更好吗？重新审视智能体强化学习中的自蒸馏
一项研究使用三种模型规模，在 ALFWorld、ScienceWorld、Search-QA 和 WebShop 上将十种代表性自蒸馏方法与 GRPO 进行比较。研究包含 132 次训练，记录的 H800 GPU 时间总计 12,124.4 小时，并使用八个 rollout 随机种子进行重复评估。结果显示，没有一种方法能在所有设置中持续优于 GRPO；较高的最终性能可能掩盖训练不稳定；增加训练成本也不一定带来更好表现。研究团队发布该基准，以支持更公平的比较，并推动更可靠、成本效益更高的智能体训练研究。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。