标签
论文提出了 BranchOPD（分支式同策略蒸馏），通过在学生模型不确定或与教师模型存在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。在数学推理和 ALFWorld/WebShop 智能体任务上，BranchOPD 显著优于标准同策略蒸馏和多轨迹同策略蒸馏。