把刚烈模子的智商"蒸馏"给小模子，听起来很好意思——

但放到多轮对话 Agent 场景里，成果常常一塌朦拢。

为什么？

香港中语大学聚拢阿里通义行状群给出了谜底，并建议了一种名为 TCOD（Temporal Curriculum On-Policy Distillation）的历练步调。

上图（左）默示在多轮 Agent 的 OPD 历练中，跟着交互轮次的增多，老师模子对学生生成复兴中各 token 的概率分拨握续裁减，标明每轮的 KL 散度阻抑攀升，最终导致监督信号失效。（右）默示原始 OPD 使用好意思满轨迹进行历练，因此包含了悉数蕴蓄的罪过；而 TCOD-F2B/B2F 则通过课程学习，从短轨迹逐渐扩张至长轨迹，有用躲藏了罪过轮次的侵犯。）

团队发现失效的根柢原因在于轨迹级 KL 不领路性，每一轮罪过阻抑蕴蓄，把学生模子推到阐明模子从未见过的现象区域，阐明的监督信号因此透澈失效。

而 TCOD 用课程学习的念念路，让学生模子从短轨迹动手、轮番渐进地学习好意思满轨迹，一举处分了多轮 Agent 蒸馏的领路性难题。

TCOD 只需对现存 OPD 代码作念一丝转变

On-Policy Distillation（OPD）还是在 SFT 和 RL 之后，成为了第三种有用的 post-training 历练姿色。

辩论词 OPD 天然在数学推理等单轮任务上很好用，但放到 ALFWorld、WebShop 这类多轮交互任务里，径直翻车：

小模子：KL 散度飙升 + 到手率坍塌到接近 0

大一丝的模子：天然最终管理，但运转 KL 极高，历练极不领路

( ALFWorld 上不同师生模子组合的轨迹级 KL 分析。 ( a ) ( b ) 默契，在通盘历练历程中 KL 散度握续攀升，同期任务完成率出现坍塌。 ( c ) 展示了 OPD 历练中运转 KL 与管理后 KL 之间的深广差距。 ( d ) 揭示了背后的根柢原因：KL 散度随交互轮次的增多而增大，标明罪过沿轨迹标的阻抑蕴蓄放大。 )

那 TCOD 是若何处分的呢？

中枢念念路很简便：别一动手就让学生落寞走好意思满条轨迹，用课程学习，从短到长缓缓来。

具体有两种变体：

F2B（前向到后向）：先让学生矜重前几步，再逐渐接管后续门径

B2F（后向到前向）：先让阐明交流到接近至极的现象，学生只矜重临了几步，再逐渐上前蔓延

两种姿色只需对现存 OPD 代码作念一丝转变。

KL 崩溃被透澈压制，小模子径直"满血回生"

团队在三个难度递加的多轮 Agent 基准上考据了 TCOD 的成果，包括 ALFWorld（具身导航）、WebShop（电商购物）以及 ScienceWorld（科学推理）。

在这些基准上，TCOD 到手率最高普及了 18 个百分点，同期把平均举留步数也一并压了下来。

最值得关怀的，Royal皇冠(中国)是小模子的"死而复生"。

以Qwen3-1.7B为例，用 Vanilla OPD 历练后，模子在三个基准上的平均到手率仅有0.17%。

这真是是十足崩溃、毫无可用性。

但换上 TCOD 之后，团结个 1.7B 小模子的平均到手爽径直拉升至18% 以上，普及幅度卓越 18 个百分点。

这意味着，TCOD 把一个"废了"的模子重新训活了。

关于更大的模子，TCOD 则是诚心诚意。

以Qwen2.5-3B学生模子为例，在 ALFWorld 的 Valid Unseen 测试集上，Vanilla OPD 到手率为60.45%，而 TCOD-F2B 的到手率为79.19%，普及了 18.74 个点。

不仅如斯，TCOD 还把完成任务所需的平均举留步数压缩了 2.97 步，推理效力和任务性能同步普及。

TCOD 与 OPD 在 ALFWorld 上的历练动态对比

上图 ( a ) ( b ) 区分展示了以 Qwen2.5-7B 为学生模子，Qwen2.5-7B-RL 之后的当作 teacher 模子时的到手率与 KL 散度变化弧线。TCOD 在通盘历练历程中永远保握更高的到手率，同期 KL 散度也愈加恰当可控。

TCOD 与 OPD 在 ALFWorld 上的历练动态对比

上图 ( a ) ( b ) 区分展示了以 Qwen2.5-7B 为学生模子，Qwen2.5-7B-RL 之后的当作 teacher 模子时的历练历程中的平均举留步数与上风函数的变化弧线。

接头东谈主员还突出构建了一个Hard 测试集——

121 个老师模子 pass@10 采样沿路失败的任务，老师本人到手率仅 6.61%。

范围，Qwen2.5-7B 学生模子在 TCOD-B2F 的历练下，Hard 集到手率达到 20.66%，比老师最初整整 14 个点。

让模子学会"从短到长、轮番渐进"地走轨迹，不仅能学会阐明会的，还能泛化到阐明根柢不会的任务。

△TCOD 与 OPD 在 ALFWorld 上的域外泛化及艰辛集性能对比

另外，接头东谈主员还测试了历练效力。

TCOD-F2B 和 B2F 比 Vanilla OPD 减少了约32%的总历练技巧。

原因也很径直：课程学习早期只走短轨迹，rollout 更短、数据相聚更快，省下来的筹算量额外可不雅。

团队还进一步考据了超参鲁棒性，发现课程扩张速度 η 在 {2，4，6} 之间变动，到手率波动不卓越 2%，真是不需要调参就能径直用。

TCOD 展现出的这种"轮番渐进"步地，让 AI 更接近东谈主类学习的姿色。

也即是先在简便场景里站稳脚跟，再逐渐挑战复杂任务，而不是一动手就被扔进深水区。

将来，这类时序课程机制很可能成为历练长程 Agent 的标配组件。

论文：https://arxiv.org/pdf/2604.24005

GitHub：https://github.com/kokolerk/TCOD

ModelScope：https://modelscope.cn/collections/wjqkoko/TCOD

Hugging Face：https://huggingface.co/collections/kolerk/tcod

一键三连「点赞」「转发」「防御心」

迎接在指摘区留住你的观念！

—  完  —

咱们正在招聘又名眼疾手快、关怀 AI 的学术裁剪实习生  � �

感酷好的小伙伴迎接关怀 � �  了解笃定

� � 点亮星标 � �

科技前沿推崇逐日见皇冠·app官方站入口