**AgentOPSD：递归自我蒸馏实现智能体强化学习的回合级信用分配**

_AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning_

> AgentOPSD提出一种无critic的递归自我蒸馏方法，通过将token级教师-学生概率差距聚合为回合级证据并递归更新贝叶斯信念状态，解决长期多轮智能体任务中的信用分配难题。在ALFWorld等基准测试中，该方法显著优于GRPO和自蒸馏基线，Qwen2.5-7B在ALFWorld达到89.1%成功率。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-08-07 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2608.05987)