# Neue Methode lässt KI-Agenten von Blackbox-Modellen lernen

> Forschende stellen Communicative On-Policy Distillation vor: Kleinere Modelle können größeren Blackbox-Modellen offene Fragen stellen und so ihre Leistung bei längeren Aufgaben verbessern.

Oossa · 2026-11-19 · https://oossa.com/de/new-method-lets-ai-agents-learn-from-black-box-teachers-via-natural-language

Lirui Luo und seine Mitautorinnen und Mitautoren veröffentlichten am 19. Nov. 2026 eine Arbeit zu Communicative On-Policy Distillation (COPD). Mit der Technik kann ein Studentmodell selbst entscheiden, wann es einem Blackbox-Lehrermodell frei formulierte Fragen stellt. Anschließend nutzt es den Austausch, um sich ohne weitere Unterstützung des Lehrermodells selbst zu trainieren. Auf dem Benchmark CAMG‑II erzielte COPD eine 2,46-mal so große Verbesserung wie die bisher beste Blackbox-Methode zur On-Policy-Destillation. Die Autorinnen und Autoren berichten außerdem von Leistungssteigerungen bei Terminal‑Bench 2.1 und SWE‑Bench Pro V2.

## Die Fakten

- Arbeit veröffentlicht am 19. Nov. 2026
- COPD verbessert die Leistung auf CAMG‑II um das 2,46-Fache gegenüber der stärksten Blackbox-Baseline

## Warum es wichtig ist

Wenn sich die Methode in der Praxis bewährt, könnten Entwickler KI-Agenten für komplexe Aufgaben verbessern, ohne vollen Zugriff auf große proprietäre Modelle zu benötigen.

## Quellen und Referenzen

1. [Communicative On-Policy Distillation: Distilling Black-Box Teacher Capabilities through Communication for Long-Horizon Tasks](https://arxiv.org/abs/2611.23673) – arXiv cs.LG, 2026-11-19

Zuletzt aktualisiert: 2026-11-19
