在线策略蒸馏(OPD)是一种极具前景的语言智能体训练方法,它能为学生模型生成的轨迹提供密集的教师监督信号。然而,在多轮交互场景中,一旦学生采取了错误动作,便会改变其后续所处的状态,导致错误在各轮次间不断累积。我们在三款Qwen3模型(参数量分别为8B、72B与235B)上开展的初步实验发现:超过半数失败的推理轨迹中均存在一种“关键性错误”——即某个动作不仅未能推进任务进展,反而使智能体离任务完成目标更远;且此类关键性错误通常发生在交互早期。值得注意的是,这些关键性错误往往仍具备可恢复性:只要在关键错误发生后的若干轮次内对模型加以正确引导,即可使其重新回到成功完成任务的路径上。为此,我们提出PivotOPD——一种新型在线策略蒸馏框架,旨在联合训练学生模型,使其既能在关键节点前主动规避关键性错误,又能在错误发生后有效从其所导致的不良状态中恢复。具体而言,每当学生出现关键性错误时,教师模型不仅为其提供该步的黄金动作(gold action),还会在随后若干轮次中逐一指定“恢复动作”(recovery action)。其中,“预防式蒸馏”(preventive distillation)利用黄金动作,通过逆向KL散度(reverse KL)引导学生模型远离关键性错误;而“恢复式蒸馏”(recovery distillation)则借助恢复动作,采用正向KL散度(forward KL),将学生模型极少采样的、有效的恢复行为迁移至其策略中。在ALFWorld、WebShop和基于搜索的问答(Search-based QA)三大基准任务上,面对13种基线方法,PivotOPD在Qwen3-1.7B与Qwen3-8B两类学生模型上均取得最强的平均性能表现;其中,Qwen3-1.7B学生模型在ALFWorld上的性能较最强基线提升达+5.5%。此外,该方法的增益效果还可迁移到其他模型家族——在软件工程领域,PivotOPD将Nemotron-3.5学生模型在SWE-Bench Verified基准上的问题解决率提升了+3.2%。项目主页:https://research.nvidia.com/labs/lpr/pivotopd/

