R

RAG | Нейросети | ИИ | AI | Агенты | Muse Spark Open | Claude Haiku 5.5 | Gemini 4 Argon | Nemotron 3.5 | DeepSeek V4.1 Flash | Reflection Beam

IT и технологии · 13 сентября 2026 г.

Открыть канал в MAX

Учитель не даёт агенту дрейфовать в tool-use.

Учитель не даёт агенту дрейфовать в tool-use. Обычная дистилляция (OPKD) выдаёт студенту токен на каждом шаге, разрыв с маршрутом учителя копится, а вызов инструмента исполнен до поправки. PTA (arXiv 2609.04773) наоборот: агент набрасывает ход, учитель проверяет его целиком, и только подтверждённый вызов уходит в среду. Простой роллаута заполняется будущими сэмплами. По данным авторов, +2,5 п.п. на поиске, +2,8 на восприятии, +24% пропускной способности.