エージェントオンポリシー蒸留の教示者修復手法「R2S」を提案
Shu Zhao (シュー・ザオ) と Tan Yu (タン・ユー) らの研究チームは2026年10月20日(現地時間)、学術論文投稿サイト arXiv (アーカイヴ) にて、エージェントオンポリシー蒸留 (Agentic on-policy distillation: OPD) の課題解決に向けた新しい教示者 (teacher) 修復手法「Rollout-to-Scorer Distillation (R2S)」に関する研究成果を発表した。この手法は、教示者の各トークン評価における近視眼性 (myopia) に起因する「ロールアウトスコアラーギャップ (rollout-scorer gap)」を解消し、複合エラー (compounding error) の問題を克服することを目指す。