Z6·尊龙凯时「中国区」官方网站 多轮Agent蒸馏终于不翻车！港华文x通义新要领收遵循暴涨18点，磨砺还快32%

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，后果时常一塌否认。

为什么？

香港华文大学齐集阿里通义行状群给出了谜底，并提议了一种名为 TCOD（Temporal Curriculum On-Policy Distillation）的磨砺要领。

上图（左）暗示在多轮 Agent 的 OPD 磨砺中，跟着交互轮次的加多，西宾模子对学生生成回应中各 token 的概率分派捏续镌汰，标明每轮的 KL 散度持续攀升，最终导致监督信号失效。（右）暗示原始 OPD 使用竣工轨迹进行磨砺，因此包含了系数积贮的误差；而 TCOD-F2B/B2F 则通过课程学习，从短轨迹逐渐推广至长轨迹，灵验避让了误差轮次的干豫。）

团队发现失效的根柢原因在于轨迹级 KL 不稳重性，每一轮误差持续积贮，把学生模子推到淳厚模子从未见过的情状区域，淳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入手、按序渐进地学习竣工轨迹，一举处分了多轮 Agent 蒸馏的稳重性难题。

TCOD 只需对现存 OPD 代码作念少许改换

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

关系词 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 + 收遵循坍塌到接近 0

大一丝的模子：天然最终不断，但运行 KL 极高，磨砺极不稳重

( ALFWorld 上不同师生模子组合的轨迹级 KL 分析。 ( a ) ( b ) 显现，在系数这个词磨砺经由中 KL 散度捏续攀升，同期任务完成率出现坍塌。 ( c ) 展示了 OPD 磨砺中运行 KL 与不断后 KL 之间的精深差距。 ( 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，标明误差沿轨迹见地持续积贮放大。 )

那 TCOD 是若那边分的呢？

中枢想路很直快：别一入手就让学生零丁走竣工条轨迹，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）：先让学生精良前几步，再逐渐领受后续样式

B2F（后向到前向）：先让淳厚换取到接近特别的情状，学生只精良临了几步，再逐渐上前蔓延

两种样式只需对现存 OPD 代码作念少许改换。

KL 崩溃被透顶压制，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 的后果，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 收遵循最高擢升了 18 个百分点，同期把平均行径步数也一并压了下来。

最值得慈祥的，Z6·尊龙凯时「中国区」官方网站是小模子的"死而复生"。

以Qwen3-1.7B为例，用 Vanilla OPD 磨砺后，模子在三个基准上的平均收遵循仅有0.17%。

这着实是绝对崩溃、毫无可用性。

但换上 TCOD 之后，并吞个 1.7B 小模子的平均收效刚直接拉升至18% 以上，擢升幅度越过 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 则是惜墨若金。

以Qwen2.5-3B学生模子为例，在 ALFWorld 的 Valid Unseen 测试集上，Vanilla OPD 收遵循为60.45%，而 TCOD-F2B 的收遵循为79.19%，擢升了 18.74 个点。

不仅如斯，TCOD 还把完成任务所需的平均行径步数压缩了 2.97 步，推理遵循和任务性能同步擢升。

TCOD 与 OPD 在 ALFWorld 上的磨砺动态对比

上图 ( a ) ( b ) 辞别展示了以 Qwen2.5-7B 为学生模子，Qwen2.5-7B-RL 之后的当作 teacher 模子时的收遵循与 KL 散度变化弧线。TCOD 在系数这个词磨砺经由中永久保捏更高的收遵循，同期 KL 散度也愈加隆重可控。

TCOD 与 OPD 在 ALFWorld 上的磨砺动态对比

上图 ( a ) ( b ) 辞别展示了以 Qwen2.5-7B 为学生模子，Qwen2.5-7B-RL 之后的当作 teacher 模子时的磨砺经由中的平均行径步数与上风函数的变化弧线。

盘问东说念主员还有益构建了一个Hard 测试集——

121 个西宾模子 pass@10 采样一齐失败的任务，西宾本人收遵循仅 6.61%。

死字，Qwen2.5-7B 学生模子在 TCOD-B2F 的磨砺下，Hard 集收遵循达到 20.66%，比西宾跳跃整整 14 个点。

让模子学会"从短到长、按序渐进"地走轨迹，不仅能学会淳厚会的，还能泛化到淳厚根柢不会的任务。

△TCOD 与 OPD 在 ALFWorld 上的域外泛化及难题集性能对比

另外，盘问东说念主员还测试了磨砺遵循。

TCOD-F2B 和 B2F 比 Vanilla OPD 减少了约32%的总磨砺时代。

原因也很径直：课程学习早期只走短轨迹，rollout 更短、数据汇聚更快，省下来的贪图量相等可不雅。

团队还进一步考据了超参鲁棒性，发现课程推广速度 η 在 {2，4，6} 之间变动，收遵循波动不越过 2%，着实不需要调参就能径直用。

TCOD 展现出的这种"按序渐进"模式，让 AI 更接近东说念主类学习的样式。

也即是先在直快场景里站稳脚跟，再逐渐挑战复杂任务，而不是一入手就被扔进深水区。

异日，这类时序课程机制很可能成为磨砺长程 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」

接待在辩驳区留住你的见地！

—  完  —

咱们正在招聘又名眼疾手快、慈祥 AI 的学术剪辑实习生  � �

感兴致的小伙伴接待慈祥 � �  了解笃定

� � 点亮星标 � �

科技前沿推崇逐日见Z6·尊龙凯时「中国区」官方网站