Sibling‑Guided Credit Distillation

深度分析

SGCD 透過信用重加權改善長程工具使用的政策梯度效能

長程工具使用的強化學習因策略梯度訊號稀疏受限，研究提出SGCD透過動態抽樣產生成功與失敗的兄妹roll‑out，並用外部大型語言模型生成步驟式信用參考，調整token級別信用權重，使AppWorldTGC提升至45.6%，τ³‑airlinepass@1改至0.602。