先了解这件事
AI 综述
2026年10月19日,Dongxi 东锡推荐阅读预印本论文 TreeOPSD:Tree-Aware Posterior Distillation for Long-Horizon Agentic Reinforcement Learning。据原帖介绍,这是一种面向长程 LLM 智能体的无 critic 强化学习方法,将终端奖励沿 rollout 树回传,并用前向 KL 把当前策略对齐到每一轮的目标。原帖称,该方法在 Deep Research 上把 Qwen3-30B-A3B-Thinking-2507 的平均准确率从 GRPO 的 16.23 提升到 21.20。目前该推荐仍以原帖为单一来源,尚无后续独立报道。
AI 根据公开报道生成
最新进展 · 正式报道
东锡推荐 TreeOPSD 长程智能体强化学习论文事件进展
1 个已确认进展
- 来源：马东锡 NLP
报道与讨论时间线
按时间查看正式报道与传播讨论；两类内容的证据等级保持独立。
10月19日
马东锡 NLP
东锡推荐 TreeOPSD 长程智能体强化学习论文
Dongxi 东锡推荐阅读预印本 TreeOPSD：一种面向长程 LLM 智能体的无 critic 强化学习方法，将终端奖励沿 rollout 树回传，并用前向 KL 把当前策略对齐到每一轮的目标。据原帖，该方法在 Deep Research 上把 Qwen3-30B-A3B-Thinking-2507 的平均准确率从 GRPO 的 16.23 提升到 21.20。