IXThinker·2026-07-22 13:30

清華團隊提出SEED框架 助智能體學會事後復盤

強化學習已成為模型後訓練的重要範式，但在長程互動式智能體任務中，基於結果的獎勵只能判斷成敗，難以指出哪些中間行為值得強化。清華大學團隊提出自進化同策略蒸餾框架SEED，嘗試補上這一監督缺口。

結果獎勵的缺口

在長程Agentic學習中，失敗軌跡可能包含有用行為，成功軌跡亦可能蘊含可復用策略，但基於結果的強化學習只能判斷任務成敗，無法識別哪些中間觀察、動作或工具調用應被強化，形成明顯的監督缺口。