**无值网络树感知后验蒸馏：解决长周期智能体强化学习的稀疏奖励与策略漂移难题**

_Tree-Aware Posterior Distillation for Long-Horizon Agentic Reinforcement Learning_

> 针对长周期智能体强化学习中终端奖励稀疏及策略漂移问题，本文提出了 TreeOPSD 框架。该方法无需值网络，通过将交互回合视为树节点进行分支扩展，递归回溯终端奖励以生成隐式回合级信用，并利用基于行为策略似然比的闭式教师分布进行有界更新。实验表明，该框架在多个基准测试中显著提升了智能体能力，特别是在长周期任务上表现优异。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-19 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.23181)