PBSD：用于长程信用分配的特权贝叶斯自蒸馏

长程代理任务因稀疏的最终奖励而面临严重的信用分配挑战，难以判断哪些中间推理步骤或工具交互促成了最终结果。本文提出 PBSD（特权贝叶斯自蒸馏），一种基于贝叶斯校准的自蒸馏方法。该方法通过计算验证答案的后验与先验概率比，利用贝叶斯规则将其转化为学生模型与特权教师模型间的似然比，并通过自回归分解生成轮次级的信用信号。实验表明，PBSD 能有效将稀疏监督转化为细粒度指导，显著提升域内及域外性能，并促进从短上下文训练到长上下文推理的知识迁移。