把强大模型的能力 " 蒸馏 " 给小模型，听起来很美——
但放到多轮对话 Agent 场景里，效果往往一塌糊涂。
为什么？
香港中文大学联合阿里通义事业群给出了答案，并提出了一种名为 TCOD（Temporal Curriculum On-Policy Distillation）的训练方法。
上图（左）表示在多轮 Agent 的 OPD 训练中，随着交互轮次的增加，教师模型对学生生成回复中各 token 的概率分配持续降低，表明每轮的 KL 散度不断攀升，最终导致监督信号失效。（右）表示原始 OPD 使用完整轨迹进行训练，因此包含了所有累积的误差；而 TCOD-F2B/B2F 则通过课程学习，从短轨迹逐步扩展至长轨迹，有效规避了误差轮次的干扰。）
团队发现失效的根本原因在于轨迹级 KL 不稳定性，每一轮误差不断累积，把学生模型推到老师模型从未见过的状态区域，老师的监督信号因此彻底失效。
而 TCOD 用课程学习的思路，让学生模型从短轨迹开始、循序渐进地学习完整轨迹，一举解决了多轮 Agent 蒸馏的稳定性难题。
TCOD 只需对现有 OPD 代码做极少改动
On-Policy Distillation（OPD）已经在 SFT 和 RL 之后，成为了第三种有效的 post-training 训练方式。
然而 OPD 虽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，直接翻车：
小模型：KL 散度飙升 + 成功率崩塌到接近 0
大一点的模型：虽然最终收敛，但初始 KL 极高，训练极不稳定
( ALFWorld 上不同师生模型组合的轨迹级 KL 分析。 ( a ) ( b ) 显示，在整个训练过程中 KL 散度持续攀升，同时任务完成率出现崩塌。 ( c ) 展示了 OPD 训练中初始 KL 与收敛后 KL 之间的巨大差距。 ( d ) 揭示了背后的根本原因：KL 散度随交互轮次的增加而增大，表明误差沿轨迹方向不断累积放大。 )
那 TCOD 是怎么解决的呢？
核心思路很简单：别一开始就让学生独立走完整条轨迹，用课程学习，从短到长慢慢来。
具体有两种变体：
F2B（前向到后向）：先让学生负责前几步，再逐步接管后续步骤
B2F（后向到前向）：先让老师引导到接近终点的状态，学生只负责最后几步，再逐渐向前延伸
两种方式只需对现有 OPD 代码做极少改动。
KL 崩溃被彻底压制，小模型直接 " 满血复活 "
团队在三个难度递增的多轮 Agent 基准上验证了 TCOD 的效果，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 成功率最高提升了 18 个百分点，同时把平均行动步数也一并压了下来。
最值得关注的，是小模型的 " 死而复生 "。
以Qwen3-1.7B为例，用 Vanilla OPD 训练后，模型在三个基准上的平均成功率仅有0.17%。
这几乎是完全崩溃、毫无可用性。
但换上 TCOD 之后，同一个 1.7B 小模型的平均成功率直接拉升至18% 以上，提升幅度超过 18 个百分点。
这意味着，TCOD 把一个 " 废了 " 的模型重新训活了。
对于更大的模型，TCOD 则是锦上添花。
以Qwen2.5-3B学生模型为例，在 ALFWorld 的 Valid Unseen 测试集上，Vanilla OPD 成功率为60.45%，而 TCOD-F2B 的成功率为79.19%，提升了 18.74 个点。
不仅如此，TCOD 还把完成任务所需的平均行动步数压缩了 2.97 步，推理效率和任务性能同步提升。
△TCOD 与 OPD 在 ALFWorld 上的训练动态对比
上图 ( a ) ( b ) 分别展示了以 Qwen2.5-7B 为学生模型，Qwen2.5-7B-RL 之后的作为 teacher 模型时的成功率与 KL 散度变化曲线。TCOD 在整个训练过程中始终保持更高的成功率，同时 KL 散度也更加平稳可控。
△TCOD 与 OPD 在 ALFWorld 上的训练动态对比
上图 ( a ) ( b ) 分别展示了以 Qwen2.5-7B 为学生模型，Qwen2.5-7B-RL 之后的作为 teacher 模型时的训练过程中的平均行动步数与优势函数的变化曲线。
研究人员还专门构建了一个Hard 测试集——
121 个教师模型 pass@10 采样全部失败的任务，教师自身成功率仅 6.61%。
结果，Qwen2.5-7B 学生模型在 TCOD-B2F 的训练下，Hard 集成功率达到 20.66%，比教师高出整整 14 个点。
让模型学会 " 从短到长、循序渐进 " 地走轨迹，不仅能学会老师会的，还能泛化到老师根本不会的任务。
△TCOD 与 OPD 在 ALFWorld 上的域外泛化及困难集性能对比
另外，研究人员还测试了训练效率。
TCOD-F2B 和 B2F 比 Vanilla OPD 减少了约32%的总训练时间。
原因也很直接：课程学习早期只走短轨迹，rollout 更短、数据收集更快，省下来的计算量相当可观。
团队还进一步验证了超参鲁棒性，发现课程扩展速率 η 在 {2,4,6} 之间变动，成功率波动不超过 2%，几乎不需要调参就能直接用。
TCOD 展现出的这种 " 循序渐进 " 模式，让 AI 更接近人类学习的方式。
也就是先在简单场景里站稳脚跟，再逐步挑战复杂任务，而不是一开始就被扔进深水区。
未来，这类时序课程机制很可能成为训练长程 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」「小心心」
欢迎在评论区留下你的想法！
— 完 —
我们正在招聘一名眼疾手快、关注 AI 的学术编辑实习生
感兴趣的小伙伴欢迎关注 了解详情
点亮星标
科技前沿进展每日见
