保持策略梯度主导：用于长程工具使用智能体的兄弟引导信用蒸馏

长程工具使用强化学习虽能从结果验证中学习，但其轨迹级优势分散于众多推理与 API 令牌中。现有自蒸馏方法若直接应用于令牌级，可能因无法区分 verifier 奖励的具体动作而破坏工具使用能力。本文提出兄弟引导信用蒸馏（SGCD），利用动态采样生成的成功与失败兄弟轨迹，通过外部 LLM 对比总结生成仅用于训练的步骤级信用参考。该方法通过密集的教师/学生差异驱动信用重分配，并重塑 GRPO 令牌优势，显著提升了 AppWorld 和$\tau^3$-airline 基准上的工具使用性能，且部署时无需外部模型介入。