蒸馏直至发散：面向智能体强化学习的错误截断后见蒸馏方法

研究提出面向智能体强化学习的错误截断后见蒸馏方法，通过轨迹结果与错误边界路由两类互补的后见技能，解决长程交互中后见监督与状态不匹配的问题。该方法利用正面技能强化成功决策，利用负面技能针对关键错误提供修正，错误发生后的后缀部分则完全由 GRPO 优化。实验表明该方法具备竞争力的任务表现，并支持有效的细粒度信用分配。