TCOD：探索多轮自主代理策略内蒸馏中的时间课程

策略内蒸馏（OPD）在将前沿模型的推理能力迁移至小型模型方面潜力巨大，但在多轮代理场景中的应用尚不充分。本文指出传统 OPD 存在“轨迹级 KL 散度不稳定”问题，即误差累积导致学生模型偏离教师分布，训练信号失效。为此，提出 TCOD 框架，采用时间课程策略，由短至长逐步增加轨迹深度。实验表明，TCOD 有效抑制了 KL 散度 escalation，显著提升了代理在多个基准测试中的性能，甚至超越教师模型。