受过强化学习（ RL ）训练的多回合代理在每个轨迹上获得单个标量奖励，这激励自我策略提取（ OPD ） ，由具有特权任务技能的自学老师提供密集的令牌级监督，让没有技能的学生将它们内化。然而，这个食谱被代理任务中的两个发现所破坏：仅凭特权信息并不能

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2609.20784v1)获取最准确的信息。

---
🔗 **原文链接**: [RetireOPD: Self-Retiring On-Policy Distillation for Agentic ](https://arxiv.org/abs/2609.20784v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Yan Yu, Zhengxi Lu, Yizhou Liu, Yichen Pan, Aozhe Wang, Qipeng Chen, Hua Yang, Wenqi Zhang, Weiming Lu, Qianglong Chen, Yongliang Shen

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。
Agent是2026年最卷的方向，没有之一。这篇文章的实操经验够硬。
建议收藏，做Agent开发的时候拿出来翻翻。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-09-18 13:02