标签
论文指出用户表征是用户模拟中的关键瓶颈，并提出后见蒸馏（hindsight distillation）这一在线训练方法来改进用户表征。由此得到的 UserRepGen-4B 模型所生成的表征，在七个数据集上的模拟保真度均优于 GPT-5.5 所产生的表征。
提出 ETRO（Error-Truncated Hindsight Distillation），根据轨迹结果与错误边界路由正/负两类 hindsight 技能以实现细粒度 credit 分配，并让 post-error 后缀仅由 GRPO 优化，从而避免技能条件化监督与当前状态不匹配的问题。
提出 Replay-Selected Hindsight Distillation（RSHD，重放筛选的后见蒸馏）方法，让模型从完全失败的推理组中恢复监督信号：策略对失败尝试撰写纠错笔记并重新求解，仅当重放探索成功时才将该笔记蒸馏回普通提示策略中，在多个模型族和数学/代码训练域上一致优于 GRPO。
微软发布 UserRepGen-4B，一个基于 Qwen3.5-4B 微调的模型，可从多轮对话生成结构化的自然语言用户表示（任务描述与行为描述），用于条件化 LLM 用户模拟器，与生成用户话语的 UserLM 系列不同。