**AlignOPSD：解决长时程智能体中决策与时间戳错配问题的对齐蒸馏方法**

_Beyond Timestamps: Decision-Aligned On-Policy Distillation for Long-Horizon Agents_

> 针对强化学习中稀疏奖励导致的监督信号粗糙问题，论文提出AlignOPSD框架。该方法通过决策对齐监督校正和半马尔可夫分层信用分配，解决特权反馈与学生决策在时间步上的错位问题。实验显示，AlignOPSD在ALFWorld等基准上显著优于GRPO和StepOPSD，提升了长时程智能体的性能。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-29 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.33391)