Tag
论文提出 BranchOPD（Branching On-Policy Distillation），通过在学生不确定或与教师分歧的决策点进行分支采样，并共享前缀以降低成本，同时提出协议边界修复（PBR）来缓解重复生成。在数学推理与 ALFWorld/WebShop 代理任务上，BranchOPD 显著优于 Vanilla OPD 和 Multi-Rollout OPD。