R²Orch：CUHKSZ 团队用自博弈与技能内化实现智能体编排的自我改进

CUHKSZ 团队提出 R²Orch，让智能体编排器无需人工设计课程，通过递归自博弈实现自我改进。方法含外循环的技能撤回（表现相当时撤回技能 k，失败被蒸馏为新技能）与内循环的可学习任务选择（以递归可学习性为奖励，用 GRPO 更新），相比固定任务池、成功率门槛等基线在推理与交互式任务上均有提升，目标是最终「零技能」编排也成立。