Jason Zhu(@GoSailGlobal):agent 训练，也能蒸蒸日上，大幅降低agent训练成本微软这篇 ReOPD，专治 on-policy 蒸馏太贵以前每更新一步，学生都得真去环境里跑一遍、再查一次老师，又慢又烧钱环境越多，钱包越薄新做法：老师轨迹采一次，存成离线「前缀」池，学生训练直接回放，全程不碰真实环境一次蒸够，反复用效果（Qwen3-4B 学 8B）： · 数学+Python：45 → 53.7，每步快 4.2 倍 · 搜索：打平 OPD，每步快 9.1 倍 · 学生训练全程零工具调用蒸的省钱（不是错别字） 🔗 HuggingFace 论文，链接：

2026.07.26 06:48

agent 训练，也能蒸蒸日上，大幅降低agent训练成本微软这篇 ReOPD，专治 on-policy 蒸馏太贵以前每更新一步，学生都得真去环境里跑一遍、再查一次老师，又慢又烧钱环境越多，钱包越薄新做法：老师轨迹采一次，存成离线「前缀」池，学生训练直接回放，全程不碰真实环境一次蒸够，反复用效果（Qwen3-4B 学 8B）： · 数学+Python：45 → 53.7，每步快 4.2 倍 · 搜索：打平 OPD，每步快 9.1 倍 · 学生训练全程零工具调用蒸的省钱（不是错别字） 🔗 HuggingFace 论文，链接：

显示更多