能干的教师、短视的打分器：面向 Agent 在线策略蒸馏的无奖励教师修复

论文指出 agentic on-policy distillation 的失败不能仅用复合误差解释：在学生偏离教师最多的状态上，教师接管仍能完成任务，但学生按 token 分数训练后仍耗尽轮次。作者将其归因于下一 token 打分的短视性——教师看不到回合终点，因而放行结果型 RL 会以零奖励惩罚的拖延动作，并提出无奖励的教师修复思路。

AI推荐理由 对 agentic on-policy distillation 的失败原因提出新解释：教师逐 token 打分存在短视，会放过结果型 RL 会惩罚的拖延动作，而不仅是复合误差。属于对现有方法假设的修正，对 Agent 训练有参考价值；但摘要未给出完整实验数据与量化结论，结论仍需正文验证。