Learning from Your Own Mistakes: Constructing Learnable Micro-Reflective Trajectories for Self-Distillation
Paper • 2606.18844 • Published • 15
papers
Note 1)使用了错误的路径的信息，不仅是正确的。2）数据/学习信号增强，更明确细致的学习点，额外的环境反馈。3）不同的子蒸馏思路，至少强于baseline
APPO: Agentic Procedural Policy Optimization
Paper • 2606.12384 • Published • 77Note 1）前人工作credit assign coarse不满意，能不能提？什么角度？本质思考，什么地方最重要。如果要做实验去看，怎么具体分辨？2）