Aravind Srinivas

我们分享关于后训练方法的新研究：它让 Perplexity Computer agent 从真实用户会话中学习——模仿良好轨迹，并明确纠正可避免的错误（例如糟糕的工具调用，即便整体轨迹是成功的）。该方法将拒绝采样微调（RFT）与提示引导的自蒸馏相结合，在线上 A/B 测试中将工具调用失败减少了约 21%。