UCOB：通过信用感知的在线策略双向自蒸馏学习与进化智能体技能

技能记忆可通过复用过往经验提升智能体强化学习，但检索到的技能并非绝对可靠，可能在特定状态下产生误导。本文提出 UCOB 框架，通过信用感知的在线策略双向自蒸馏来学习与进化智能体技能。该方法将带技能与无技能提示视为同一模型的两种上下文视角，比较其在相同任务状态下的预期回报，以高回报视角作为局部教师信号。此举不仅内化了有益的技能行为，修正了误导性使用，还指导了技能记忆的更新与反思训练。实验表明，UCOB 在多个基准测试中显著优于现有方法。