多轮长程规划的“物理学”：从预训练到单教师与多教师在线智能体蒸馏

该论文构建统一、可控的多轮环境，系统研究长程规划在预训练、后训练和能力整合中的形成机制。摘要指出，显式世界模型、少量长程数据和高质量轨迹十分关键；OPD在低质量及长程场景下较GRPO更稳健，MOPD则可整合兼容的跨环境规划模式。