SEED z Tsinghua: samoewoluująca destylacja uczy agentów AI
Zespół z Uniwersytetu Tsinghua przedstawił SEED — samoewoluującą destylację on-policy z nadzorem post-hoc. Na ALFWorld poprawia skuteczność o 45,9 pkt proc. względem GRPO i osiąga jego poziom przy 60% danych.
