多轮长时域规划：从预训练到后训练的同策略智能体蒸馏

多轮长时域规划对基础模型智能体至关重要，但现有模型训练数据不可控、不透明，难以理解规划能力如何获得和整合。研究提出了统一可控的多轮环境，系统研究长时域规划在预训练等阶段的获取机制，通过单/多教师同策略蒸馏提升规划能力。

查看原文