SEED: самоэволюционирующая on-policy дистилляция для агентного обучения с подкреплением

SEED решает проблему разреженного вознаграждения в RL по результату для агентных LLM: политика извлекает переиспользуемые «навыки» на естественном языке (workflow и паттерны избегания сбоев) из собственных завершённых траекторий, а затем использует разрыв в вероятности действий между роллаутами с навыками и без них как плотный, потокенный on-policy сигнал дистилляции. Сообщается о приросте как на текстовых, так и на визуальных агентных задачах, а также о лучшей обобщаемости на незнакомые сценарии.