HF blog·· 2026-07-28AI 评分44
多轮长时程规划的物理学：从预训练到后训练的单教师与多教师在线策略智能体蒸馏
Paper page - The Physics of Multi-Turn Long-Horizon Planning: From Pre-training to Post-training via Single- and Multi-Teacher On-Policy Agentic Distillation
AI 导读
研究者提出一个可控多轮环境，系统研究基础模型智能体长时程规划的获取、塑造与整合三阶段。预训练阶段，通过 CoT 状态转移建模显式构建世界模型可带来更强的长时程泛化，仅靠原子技能不足以实现组合泛化，而少量长时程数据即可奏效。后训练阶段，OPD 在低质量与长时程设定下有效区域比 GRPO 更广，多教师在线策略蒸馏（MOPD）则通过收敛到跨环境共享规划模式来整合能力。
来源：HF blog · huggingface.co