"AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning" 论文笔记 - 绵满

【摘要】清华、浙大与美团 LongCat 团队合作的 AgentOPSD，目前挂在 Arxiv 26.08 上，做的是长程多轮 Agentic RL 里的回合级信用分配。可验证奖励的 RL 只在整条轨迹结束时给一个稀疏的 0/1 信号，GRPO 这类方法把轨迹级优势均匀广播到每个 token，无法把成败真正 阅读全文