把苍劲模子的智商"蒸馏"给小模子，听起来很好意思——

但放到多轮对话 Agent 场景里，成果每每一塌吞吐。

为什么？

香港华文大学鸠集阿里通义工作群给出了谜底，并提倡了一种名为 TCOD（Temporal Curriculum On-Policy Distillation）的历练设施。

上图（左）默示在多轮 Agent 的 OPD 历练中，跟着交互轮次的增多，西席模子对学生生成回答中各 token 的概率分派执续裁减，标明每轮的 KL 散度束缚攀升，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，因此包含了所有积存的过失；而 TCOD-F2B/B2F 则通过课程学习，从短轨迹逐渐推广至长轨迹，灵验秘籍了过失轮次的骚扰。）

团队发现失效的根底原因在于轨迹级 KL 不安定性，每一轮过失束缚积存，把学生模子推到憨厚模子从未见过的景色区域，憨厚的监督信号因此透顶失效。

而 TCOD 用课程学习的想路，让学生模子从短轨迹着手、递次渐进地学习好意思满轨迹，一举处理了多轮 Agent 蒸馏的安定性难题。

TCOD 只需对现存 OPD 代码作念少许改革

On-Policy Distillation（OPD）仍是在 SFT 和 RL 之后，成为了第三种灵验的 post-training 历练神色。

筹谋词 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，胜仗翻车：

小模子：KL 散度飙升 + 奏遵循坍弛到接近 0

大一丝的模子：天然最终拘谨，但启动 KL 极高，历练极不安定

( ALFWorld 上不同师生模子组合的轨迹级 KL 分析。 ( a ) ( b ) 泄露，在通盘历练经过中 KL 散度执续攀升，同期任务完成率出现坍弛。 ( c ) 展示了 OPD 历练中启动 KL 与拘谨后 KL 之间的弘大差距。 ( d ) 揭示了背后的根底原因：KL 散度随交互轮次的增多而增大，标明过失沿轨迹观点束缚积存放大。 )

那 TCOD 是如那里理的呢？

中枢想路很通俗：别一着手就让学生独处走好意思满条轨迹，用课程学习，从短到长逐渐来。

具体有两种变体：

F2B（前向到后向）：先让学生持重前几步，再逐渐接管后续要道

B2F（后向到前向）：先让憨厚指引到接近至极的景色，学生只持重临了几步，再逐渐上前蔓延

两种神色只需对现存 OPD 代码作念少许改革。

KL 崩溃被透顶压制，小模子胜仗"满血回生"

团队在三个难度递加的多轮 Agent 基准上考证了 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 奏遵循最高普及了 18 个百分点，同期把平均活动步数也一并压了下来。

最值得关切的，亚搏体育是小模子的"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奏遵循仅有0.17%。

这险些是十足崩溃、毫无可用性。

但换上 TCOD 之后，归拢个 1.7B 小模子的平均奏效梗直接拉升至18% 以上，普及幅度杰出 18 个百分点。

这意味着，TCOD 把一个"废了"的模子从头训活了。

关于更大的模子，TCOD 则是精雕细镂。

以Qwen2.5-3B学生模子为例，在 ALFWorld 的 Valid Unseen 测试集上，Vanilla OPD 奏遵循为60.45%，而 TCOD-F2B 的奏遵循为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活动步数压缩了 2.97 步，推理遵循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 ) 鉴识展示了以 Qwen2.5-7B 为学生模子，Qwen2.5-7B-RL 之后的看成 teacher 模子时的奏遵循与 KL 散度变化弧线。TCOD 在通盘历练经过中弥远保执更高的奏遵循，同期 KL 散度也愈加安定可控。

TCOD 与 OPD 在 ALFWorld 上的历练动态对比

上图 ( a ) ( b ) 鉴识展示了以 Qwen2.5-7B 为学生模子，Qwen2.5-7B-RL 之后的看成 teacher 模子时的历练经过中的平均活动步数与上风函数的变化弧线。

征询东谈主员还有益构建了一个Hard 测试集——

121 个西席模子 pass@10 采样沿路失败的任务，西席本人奏遵循仅 6.61%。

鸿沟，Qwen2.5-7B 学生模子在 TCOD-B2F 的历练下，Hard 集奏遵循达到 20.66%，比西席进步整整 14 个点。

让模子学会"从短到长、递次渐进"地走轨迹，不仅能学会憨厚会的，还能泛化到憨厚根底不会的任务。

△TCOD 与 OPD 在 ALFWorld 上的域外泛化及勤勉集性能对比

另外，征询东谈主员还测试了历练遵循。

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

原因也很胜仗：课程学习早期只走短轨迹，rollout 更短、数据麇集更快，省下来的计较量绝顶可不雅。

团队还进一步考证了超参鲁棒性，发现课程推广速度 η 在 {2，4，6} 之间变动，奏遵循波动不杰出 2%，险些不需要调参就能胜仗用。

TCOD 展现出的这种"递次渐进"形状，让 AI 更接近东谈主类学习的神色。

也便是先在通俗场景里站稳脚跟，再逐渐挑战复杂任务，而不是一着手就被扔进深水区。

当年，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」「防备心」

迎接在挑剔区留住你的想法！

—  完  —

咱们正在招聘又名眼疾手快、关切 AI 的学术裁剪实习生  � �

感兴趣兴趣的小伙伴迎接关切 � �  了解细目

� � 点亮星标 � �

科技前沿推崇逐日见亚搏体育