**基于分布性 DAgger 的丰富反馈强化学习**

_Reinforcement Learning from Rich Feedback with Distributional DAgger_

> 当前推理模型的强化学习多局限在二元正确性奖励，忽略了执行轨迹、专家修正等丰富中间反馈。本文提出 DistIL，一种分布性 DAgger 变体，采用前向交叉熵目标，利用多维反馈实现单调策略改进并提升 Pass@N 上界，在科学推理、编程和数学难题上均超越现有 RLVR 和自蒸馏基线。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-06-08 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.05152)