多轮强化学习

GTR-Turbo：合并检查点竟是智能体 VLM 训练中的免费教师

GTR-Turbo: Merged Checkpoint is Secretly a Free Teacher for Agentic VLM Training

对做多模态智能体 RL 的人，这篇给出一个免特权教师信号的方案：把 RL 训练过程中产生的多个 checkpoint 权重合并成一个「免费教师」，再用 SFT 或软 logit 蒸馏回灌到策略上，可直接替换 GTR/On-Policy Distillation 里对 GPT、Gemini 的调用，同时缓解熵坍缩。