arXiv 2026年10月12日多轮智能体蒸馏不再把学生推理喂给老师：ALFWorld 上 4B 学生以 43.39% 反超 32B 教师多轮智能体蒸馏把教师监督改挂在交互状态上，只保留已执行动作与环境观测，Qwen3-4B 学生在 ALFWorld Seen 上以 43.39% 反超其 32B 教师。多轮智能体蒸馏把教师监督改挂在交互状态上，只保留已执行动作与环境观测，Qwen3-4B 学生在 ALFWorld Seen 上以 43.39% 反超其 32B 教师。Alibaba Group (China)Shanghai Jiao Tong UniversityTsinghua UniversityZhentao Zhang（第一作者）#State-OPD 状态接地在线策略蒸馏#在线策略蒸馏#多轮智能体#ALFWorld 基准#Qwen3