更多方法就更好吗？智能体强化学习中自蒸馏的现实检验

研究在 ALFWorld、ScienceWorld、Search-QA 和 WebShop 上，用三种模型规模对比十种代表性自蒸馏方法与 GRPO，共完成 132 次训练、累计 12124.4 H800 GPU 小时，并对预训练骨干和全部十一种训练方法用八个 rollout 种子重复评测。