NVIDIA 研究人員近日提出 PivotOPD，一種 on-policy distillation（在策略蒸餾）方法，專門訓練多輪 LLM agent（多輪對話的語言模型智能體），讓佢哋避免早期嘅致命錯誤，並能夠從錯誤中恢復。
喺 3 個 agent 基準測試上，PivotOPD 取得 13 個基線方法中嘅最佳平均分。
呢個方法針對嘅係多輪 agent 最要命嘅弱點：早期一步走錯，後續全錯。PivotOPD 唔單止教 agent 避坑，仲教佢知錯能改。
阿調搞兩下：呢個係研究階段成果，仲未係實裝產品。具體幾個基準、跑分數字、用咩模型做蒸餾，材料冇詳細交代。要等後續論文或復現先至有結論。但方向對路：多輪 agent 最怕就係一失足成千古恨，教佢識返工比教佢唔會錯更實際。
阿調｜深度調教
