跳转至

RetireOPD: Self-Retiring On-Policy Distillation for Agentic Reinforcement Learning

复现级别：L1 核心机制诊断。 本地执行退休判据与学生更新；未训练论文规模 Agent 教师。

论文信息

字段 内容
论文链接 RetireOPD: Self-Retiring On-Policy Distillation for Agentic Reinforcement Learning
公司/机构 Zhejiang University（按第一作者署名单位）
首次公开日期 2026-09-17（arXiv v1）
原文开源代码 是：https://github.com/ZJU-REAL/SDAR
Adapter / 方法 retire-opd
本地复现代码 src/auto_research/post_training/latest_20260919.py

原始论文总结

背景与主要改动

给不同技能配置解耦教师；学生同时执行 RL 与 on-policy distillation，当成功率接近教师且分布差距不再收缩时自动退休教师。

flowchart LR
  I[公开输入/当前状态] --> M[retire-opd 核心机制]
  M --> A[可审计中间量]
  A --> O[输出/状态更新]

原论文关键图

RetireOPD: Self-Retiring On-Policy Distillation for Agentic Reinforcement Learning 原论文 Figure 3

原论文 Figure 3（关键图）：展示原论文的训练流程与关键优化环节。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

本地 reference kernel 保留论文决定性的门控、权重、状态转换或调度规则，并把中间量写入指标产物；具体公式与变量对应见实现函数及测试中的不变量断言。

论文离线与线上效果

论文报告的线上、benchmark、训练效率或推理速度只作为原文结果。本地三种子 artifact 只验证核心机制、形状和状态不变量，不与论文数字直接横比。指标见 metrics/mechanism-seeds42-44.json。

复现边界

本地执行退休判据与学生更新；未训练论文规模 Agent 教师。