@maximelabonne: 太酷了！来自 @Meituan_LongCat 的同一团队撰写了 Skill0，他们提出了一种用于技能内在化的RL方法。
摘要
该推文重点介绍了美团团队关于 Skill0 的论文，这是一种用于技能内在化的RL方法，并引用了一篇关于自蒸馏智能体RL的相关论文。
查看缓存全文
缓存时间: 2026/05/17 22:23
太酷了！
来自 @Meituan_LongCat 的同一团队撰写了 Skill0，他们提出了一种用于技能内化的强化学习方案。https://t.co/9KRc4z28bu
alphaXiv (@askalphaxiv): “自蒸馏智能体强化学习”
智能体强化学习从稀疏的轨迹奖励中学习，而自蒸馏则提供密集的 token 引导。但在多轮智能体中，朴素蒸馏可能会失效，因为随着轨迹漂移，特权的教师信号会变得嘈杂。
这篇论文的核心思想是
相似文章
Skill0.5：面向智能体强化学习中分布外泛化的技能内化与利用联合框架
Skill0.5是一种新颖的智能体强化学习框架，通过动态难度感知路由器将通用技能内化与任务特定技能利用相结合，改进了复杂任务环境中的分布外泛化能力，在ALFWorld和WebShop上的实验证明了其效果。
@dair_ai: // 自对弈加上一点人类数据 // 结合人类演示和自对弈强化学习的超酷论文。30分钟…
一篇研究论文，将少量人类演示作为正则化目标与自对弈强化学习相结合，从而使用极少的人类数据（30分钟对比数千小时）并在单个消费级GPU上训练15小时，实现与人类兼容的驾驶策略。
@natashajaques：非常喜欢阅读微软MAI-Thinking-1的《Building a Hill Climbing Machine》论文。令人惊讶的是他们公开了……
Natasha Jaques赞扬微软MAI-Thinking-1论文完全公开了前沿模型的训练方法，重点指出预训练、中期训练和RL后训练阶段的token分布，并提到Yann LeCun的蛋糕比喻很有先见之明。
Google's SkillOS：面向自进化 AI 智能体（阅读需22分钟）
Google Cloud AI Research 推出 SkillOS，这是一种强化学习框架，使基于 LLM 的智能体能够通过从过往经验中提炼可复用技能来实现自我进化。
OPID: 同策略技能蒸馏用于智能体强化学习
OPID提出了一种同策略技能蒸馏框架，从完成的轨迹中提取密集后见监督，将基于结果的强化学习与词元级自蒸馏相结合，以提高语言智能体在多轮任务上的训练效率和性能。