把坚定模子的才调"蒸馏"给小模子，听起来很好意思——

但放到多轮对话 Agent 场景里，效力经常一塌婉曲。

为什么？

香港华文大学筹划阿里通义行状群给出了谜底，并冷落了一种名为 TCOD（Temporal Curriculum On-Policy Distillation）的实验范例。

上图（左）默示在多轮 Agent 的 OPD 实验中，跟着交互轮次的加多，教育模子对学生生成回答中各 token 的概率分派捏续裁汰，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 使用完好轨迹进行实验，因此包含了整个积贮的舛讹；而 TCOD-F2B/B2F 则通过课程学习，从短轨迹缓缓膨大至长轨迹，灵验侧目了舛讹轮次的搅扰。）

团队发现失效的根柢原因在于轨迹级 KL 不相识性，每一轮舛讹束缚积贮，把学生模子推到解释模子从未见过的景况区域，解释的监督信号因此透顶失效。

而 TCOD 用课程学习的念念路，让学生模子从短轨迹动手、轮换渐进地学习完好轨迹，一举料理了多轮 Agent 蒸馏的相识性难题。

TCOD 只需对现存 OPD 代码作念少量篡改

On-Policy Distillation（OPD）照旧在 SFT 和 RL 之后，成为了第三种灵验的 post-training 实验表情。

干系词 OPD 固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，平直翻车：

小模子：KL 散度飙升 + 到手率坍塌到接近 0

大一丝的模子：固然最终拘谨，但启动 KL 极高，实验极不相识

( ALFWorld 上不同师生模子组合的轨迹级 KL 分析。 ( a ) ( b ) 表露，在通盘实验经由中 KL 散度捏续攀升，同期任务完成率出现坍塌。 ( c ) 展示了 OPD 实验中启动 KL 与拘谨后 KL 之间的坚定差距。 ( d ) 揭示了背后的根柢原因：KL 散度随交互轮次的加多而增大，标明舛讹沿轨迹场合束缚积贮放大。 )

那 TCOD 是若何料理的呢？

中枢念念路很简便：别一动手就让学生孤苦走完好条轨迹，用课程学习，从短到长迟缓来。

具体有两种变体：

F2B（前向到后向）：先让学生精采前几步，再缓缓秉承后续范例

B2F（后向到前向）：先让解释联接到接近至极的景况，学生只精采临了几步，再逐渐上前延迟

两种表情只需对现存 OPD 代码作念少量篡改。

KL 崩溃被透顶压制，小模子平直"满血回生"

团队在三个难度递加的多轮 Agent 基准上考据了 TCOD 的效力，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。

最值得关爱的，2026世界杯押注app官方版是小模子的"死而复生"。

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

这险些是绝对崩溃、毫无可用性。

但换上 TCOD 之后，吞并个 1.7B 小模子的平均到手纯厚接拉升至18% 以上，普及幅度杰出 18 个百分点。

这意味着，TCOD 把一个"废了"的模子再行训活了。

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 上的实验动态对比

上图 ( a ) ( b ) 分辩展示了以 Qwen2.5-7B 为学生模子，Qwen2.5-7B-RL 之后的动作 teacher 模子时的到手率与 KL 散度变化弧线。TCOD 在通盘实验经由中遥远保捏更高的到手率，同期 KL 散度也愈加牢固可控。

TCOD 与 OPD 在 ALFWorld 上的实验动态对比

上图 ( a ) ( b ) 分辩展示了以 Qwen2.5-7B 为学生模子，Qwen2.5-7B-RL 之后的动作 teacher 模子时的实验经由中的平均举留步数与上风函数的变化弧线。

盘考东说念主员还故意构建了一个Hard 测试集——

121 个教育模子 pass@10 采样沿途失败的任务，教育本身到手率仅 6.61%。

规矩，Qwen2.5-7B 学生模子在 TCOD-B2F 的实验下，Hard 集到手率达到 20.66%，比教育进步整整 14 个点。

让模子学会"从短到长、轮换渐进"地走轨迹，不仅能学会解释会的，还能泛化到解释根柢不会的任务。

△TCOD 与 OPD 在 ALFWorld 上的域外泛化及繁难集性能对比

另外，盘考东说念主员还测试了实验效力。

TCOD-F2B 和 B2F 比 Vanilla OPD 减少了约32%的总实验时辰。

原因也很平直：课程学习早期只走短轨迹，rollout 更短、数据采集更快，省下来的设想量荒谬可不雅。

团队还进一步考据了超参鲁棒性，发现课程膨大速度 η 在 {2，4，6} 之间变动，到手率波动不杰出 2%，险些不需要调参就能平直用。

TCOD 展现出的这种"轮换渐进"形状，让 AI 更接近东说念主类学习的表情。

也等于先在简便场景里站稳脚跟，再缓缓挑战复杂任务，而不是一动手就被扔进深水区。

翌日，这类时序课程机制很可能成为实验长程 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」「留心心」

宽待在褒贬区留住你的主义！

—  完  —

咱们正在招聘又名眼疾手快、关爱 AI 的学术剪辑实习生  � �

感好奇的小伙伴宽待关爱 � �  了解细目

� � 点亮星标 � �

科技前沿阐扬逐日见2026世界杯押注app官方版