论文提出持久一致性自蒸馏（PCSD），依据教师偏好信号在局部范围内的持续性，为每个 token 生成连续蒸馏权重，并与 GRPO 联合训练。摘要称其无需推理时技能，在两个骨干模型上的 ALFWorld Overall 均优于基线，较 GRPO 分别提升 15.6 和 13.3 分，未见分割上提升 15.8 分。
最近 24 小时暂无可用热度快照。