无Critic的Agent信用分配新范式

当前Agent RL的主流做法要么用PPO+GAE做轨迹级优化（粗粒度），要么像RAPTOR或V-STaR那样引入外部critic或过程奖励模型（增加系统复杂度）。AgentOPSD的巧妙之处在于把privileged self-distillation变成了递归贝叶斯更新，本质上是用teacher model的置信度变化作为隐式过程奖励，省了单独训练PRM的算力和数据成本。

论文提到在SWE-bench和WebArena上做了验证，但具体数字摘要里没给，这是关键缺失——如果最终性能没超过OpenAI的Deep Research或Anthropic的Claude with computer use那套critic-based方案，方法再优雅也难落地。建议等代码开源后重点看ablation里recursive update vs. simple aggregation的差异有多大，这决定了贝叶斯框架是不是真有必要还是学术包装。