学术社区是否已经对层出不穷的 On-Policy Self-Distillation (OPSD) 特权信息变体感到审美疲劳？

当 answer、trajectory、reflection、skill 被不断设计得更精巧，LOPD 反过来追问一个更根本的问题：我们为何仍要替模型规定“什么经验值得被看见”？

来自新加坡国立大学等团队最新提出 LOPD，让特权上下文可学习，用不到30%预算超越 GRPO 等基线。

Paper：LOPD: Latent On-Policy Self-Distillation
arXiv：https://arxiv.org/pdf/2608.13040
Code：https://github.com/bingreeky/LOPD

LOPD 不再手工定义 privileged context，而是从历史成功经验中学习其表示，用可学习的 Composer 将经验压缩为 latent context，并与 policy 端到端联合优化。它因此把 OPSD 的问题从“设计更好的 teacher context”，推进到“学习 experience representation”。

实验显示，这一转变不仅提升性能，也显著提高样本效率。LOPD 的意义或许正在于此：经验不应只是被人工雕刻的 artifact，而应成为可学习、可扩展的 substrate。

8月29日（周六）10:00点​，青稞Talk 第149期，新加坡国立大学博士研究生张桂彬，将直播介绍 LOPD。

青稞介绍

张桂彬是新加坡国立大学计算学院博士研究生，导师为颜水成教授，研究方向为Multi-Agent System，Agent Memory和Self-Evolving Agent，在NeurIPS、ICML、ICLR、ACL等顶级会议发表相关Oral/Spotlight论文。

主题提纲

模型的“什么经验值得被看见”？LOPD：不再手动设计 OPSD 特权信息

1、从 OPD 到 OPSD：谁来决定"什么经验值得被看见"？
2、从设计特权信息到学习经验表示
3、LOPD：Composer 压缩经验为 latent context
4、实验验证：性能与样本效率
5、经验即 substrate：自进化智能体的下一步
6、AMA （Ask Me Anything）环节

直播时间

8月29日（周六）10:00 - 11:00