提出R2S方法修复智能体在线策略蒸馏问题

发生了什么

据arXiv cs.CL报道，研究提出Rollout-to-Scorer Distillation (R2S) 方法，旨在修复智能体在线策略蒸馏中教师模型的评分短视问题。该方法通过挖掘高分歧状态，运行教师接管，并筛选通过无奖励检查的状态，来修复评分器。R2S在三个环境中，对两个教师和四个学生的组合，平均比现有最佳方法高出12.8个成功率点。