DTDD：通过分歧触发动态蒸馏实现可靠的同策略监督

研究人员提出 DTDD 自适应同策略蒸馏框架，利用分段级师生分歧在训练中触发教师接管以生成恢复后缀。DTDD 将预热后的峰值梯度范数降低 8.6 倍，从 base 初始化出发以减少 2.6 倍的优化器更新达到 21.3% 的数学准确率。在 ALFWorld 评估中，配合 LoRA 和智能体代码分别将最佳表现提升 4.8 和 4.1 个百分点。