Lo esencial antes de invertir más tiempo.
Convierte las propias trayectorias completadas por un agente en «skills» retrospectivas expresadas en lenguaje natural. Esas habilidades resumen workflows reutilizables, observaciones decisivas y reglas para evitar fallos; después se destila su efecto de vuelta a la política mediante una señal densa a nivel de token.
Seed consistently outperforms outcome-only RL through dense supervision.
Resultado reportado con fuente enlazada · 6 localizadores disponibles.La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 4 Experiment.
Comparar la métrica principal de la fuente junto con calidad, coste, latencia y tasa de errores.
Convierte las propias trayectorias completadas por un agente en «skills» retrospectivas expresadas en lenguaje natural. Esas habilidades resumen workflows reutilizables, observaciones decisivas y reglas para evitar fallos; después se destila su efecto de vuelta a la política mediante una señal densa a nivel de token.
Qué está reportado y qué conviene comprobar.
Seed consistently outperforms outcome-only RL through dense supervision.
baseline: Comparación declarada en la sección de evaluación · contexto: 4 Experiment
Relative to GRPO, Seed improves the ALFWorld macro-average by 14.9-45.9 points, Search-based QA by 1.4-9.3 points, the WebShop task-completion score by 8.7-19.8 points, and the success rate by 5.5-39.0 points across the three backbones.
contexto: 4 Experiment
Compared with Skill-GRPO, which conditions exploration on natural-language skills but still broadcasts a single terminal-reward-derived advantage to all valid tokens, Seed further improves the ALFWorld average by 26.6-70.9 points, Search-based QA by 1.8-11.6 points, the WebShop score by 9.3-13.7 points, and the success rate by 6.2-31.2 points.
baseline: Comparación declarada en la sección de evaluación · contexto: 4 Experiment
These consistent improvements over both GRPO and Skill-GRPO demonstrate that dense token-level hindsight supervision provides more effective credit assignment than outcome-only optimization, leading to substantially stronger performance across long-horizon agentic tasks.
contexto: 4 Experiment
Qué estudiaron y qué cambia.
La síntesis está separada de los resultados reportados y de las inferencias.PROBLEMA / La señal entra en el radar porque El RL basado únicamente en éxito o fracaso final ofrece muy poca información sobre qué decisiones intermedias fueron buenas.
MÉTODO / La lectura de 3 Method describe la intervención y su construcción: We present Seed , a self-evolving OPD framework for agentic RL. Seed is motivated by the observation that completed agent trajectories contain rich hindsight information: even when reward is sparse, a full trajectory often reveals useful behavioral patterns, failure causes, and reusable strategies that are not directly available at intermediate decision steps. Seed converts such hindsight information into hindsight skills and distills their behavioral effect back into the ordinary policy. As shown in Figure 2 , Seed has two training stages. First, hindsight-skill supervised fine-tuning (SFT) equips a single… [Fuente: https://arxiv.org/html/2607.14777#S3]
RESULTADO / La sección 4 Experiment informa: Seed consistently outperforms outcome-only RL through dense supervision. Relative to GRPO, Seed improves the ALFWorld macro-average by 14.9-45.9 points, Search-based QA by 1.4-9.3 points, the WebShop task-completion score by 8.7-19.8 points, and the success rate by 5.5-39.0 points across the three backbones. Compared with Skill-GRPO, which conditions exploration on natural-language skills but still broadcasts a single terminal-reward-derived advantage to all valid tokens, Seed further improves the ALFWorld average by 26.6-70.9 points, Search-based QA by 1.8-11.6 points, the WebShop score by 9.3-13.7 points, and the success rate by 6.2-31.2 points. [Fuente: https://arxiv.org/html/2607.14777#S4]
LÍMITE / El cierre de la fuente señala: Training efficiency is another practical constraint. Seed adds no deployment overhead, but training requires trajectory analysis and paired scoring under ordinary and skill-augmented contexts. The cost grows with interaction length and multimodal context. Speculative decoding methods such as Double ( 36 ) and DSpark ( 5 ) could reduce the autoregressive cost of rollout collection and skill generation. Cached representations and batched paired scoring… La transferencia a agentes web requiere repetir la comparación con datos y criterios propios [Fuente: https://arxiv.org/html/2607.14777#S5].
La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 4 Experiment.
- PROBLEMA
- El RL basado únicamente en éxito o fracaso final ofrece muy poca información sobre qué decisiones intermedias fueron buenas.
- MÉTODO
- La lectura de 3 Method describe la intervención y su construcción: We present Seed , a self-evolving OPD framework for agentic RL. Seed is motivated by the observation that completed agent trajectories contain rich hindsight information: even when reward is sparse, a full trajectory often reveals useful behavioral patterns, failure causes, and reusable strategies that are not directly available at intermediate decision steps. Seed converts such hindsight information into hindsight skills and distills their behavioral effect back into the ordinary policy. As shown in Figure 2 , Seed has two training stages. First, hindsight-skill supervised fine-tuning (SFT) equips a single…
- TIPO DE EVIDENCIA
- La sección 4 Experiment informa 4 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2607.14777#S4.
- LÍMITE
- La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 4 Experiment.
La lectura también deja rastro.
Guarda una observación junto a la evidencia. Tú escribes aquí; los agentes pueden añadir notas por MCP y aparecerán identificados.
LECTURA AMPLIADAMetodología, implicaciones y preguntas para volver al paper.+
La lectura de 3 Method describe la intervención y su construcción: We present Seed , a self-evolving OPD framework for agentic RL. Seed is motivated by the observation that completed agent trajectories contain rich hindsight information: even when reward is sparse, a full trajectory often reveals useful behavioral patterns, failure causes, and reusable strategies that are not directly available at intermediate decision steps. Seed converts such hindsight information into hindsight skills and distills their behavioral effect back into the ordinary policy. As shown in Figure 2 , Seed has two training stages. First, hindsight-skill supervised fine-tuning (SFT) equips a single…
Es una dirección muy potente para agentes autoevolutivos: ejecutar → analizar experiencia → extraer skill → incorporar comportamiento → volver a ejecutar, sin depender exclusivamente de datasets humanos estáticos.
La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 4 Experiment.
Cómo lo llevaría a un proyecto
Probar la propuesta en agentes web reproduciendo primero la comparación y registrando calidad, coste, latencia y errores.
Preguntas que conviene probar
- ¿La mejora se mantiene cuando agentes web cambia de dominio o distribución?
- ¿Qué componente del método explica la mayor parte del resultado y qué baseline lo pone realmente a prueba?
Si tuviera que convertirlo en una prueba mañana.
Mi lectura
La pregunta operativa es si agentes web puede medirse con una línea base y un criterio de parada claros.
Esta última frase es una inferencia editorial a partir del paper y de sus posibles implicaciones; no es una afirmación de los autores.