Bez-krytyczna destylacja posterioru świadoma drzewa dla przypisywania kredytu w agenticznym RL.
Critic-free tree-aware posterior self-distillation for credit assignment in agentic RL.
Sposób przypisywania kredytu w długich trajektoriach agentów bez osobnego krytyka, przez rozgałęzianie i destylację.
A way to assign credit in long agent trajectories without a separate critic, by branching and distillation.
Nagroda tylko na końcu sprawia, że trudno wiedzieć, który krok pomógł, a aktualizacje się starzeją.
A reward only at the end makes it hard to know which step helped, and updates become stale.
Rozgałęzia alternatywne kontynuacje, wycofuje nagrody do kroków i destyluje ograniczony cel do polityki.
It branches alternative continuations, backs up rewards to steps, and distills a bounded target into the policy.
Agent bada stronę przez wiele tur. Trening wzmacnia turę, po której dalsza ścieżka ma wyższą szansę sukcesu.
An agent explores a site over many turns. Training reinforces the turn after which the further path has a higher chance of success.