Shu Zhao, Tan Yu · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28586 · open-access PDF
Agentic on-policy Destillation (OPD) trainiert einen Studentenagenten auf seinen eigenen Wegen, während ein Lehrer jedes Token erzielt. Eine natürliche Erklärung dafür, wo es falsch geht, ist ein Compounding-Fehler: Die Fehler des Schülers tragen seine Wege über die Region hinaus, in der der Lehrer zuverlässig ist, so dass die jüngsten Methoden das Training in dieser Region durch Episode-Länge-Lehrpläne, von Lehrern geführte Wendungen, Präfixwiedergabe oder Lehrerintervention halten, wo die beiden nicht einverstanden sind. Wir zeigen, dass diese Erklärung unvollständig ist.
Machine translation (Meta M2M100); the English original follows.
Agentic on-policy distillation (OPD) trains a student agent on its own trajectories while a teacher scores every token. A natural explanation of where it goes wrong is compounding error: the student's mistakes carry its trajectories beyond the region where the teacher is reliable, so recent methods keep training inside that region, through episode-length curricula, teacher-guided turns, prefix replay, or teacher intervention where the two disagree. We show this explanation is incomplete. From the states where the student departs most from the teacher, the teacher's own takeovers still finish t
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.28586, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange