SAGE-OPD：面向多轮同策蒸馏的选择性智能体引导干预

同策蒸馏（OPD）通过在模型自身策略生成的轨迹上训练来提升学生模型，但在多轮交互中易受误差累积影响。本文提出 SAGE-OPD，一种无需验证器的选择性干预框架。该方法依据环境反馈和教师判断，选择性跳过或干预特定回合，并利用教师置信度加权令牌级蒸馏，以减少不确定监督对错误历史的影响。实验表明，SAGE-OPD 在 ALFWorld 任务中显著优于基线，证明了在多轮 OPD 中 selectively 分配教师监督的有效性。