STRIDE：通过自适应停止与前缀重启加速多轮智能体同策略蒸馏

同策略蒸馏 (OPD) 已成为将能力从大型教师转移到小型学生的标准方法。然而，其成本主要由自回归学生的采样轨迹所主导，并且在多轮代理环境中扩展性很差。尽管轨迹内和轨迹之间的教师信号可靠性存在很大差异，但现有的加速方法会根据固定的离线预算截断或重新定位监督信号。我们对 $τ^2$-bench 的实证分析揭示了这种变化的清晰结构：信息监督集中在每个回合的前缀中，最重要的是，对于多回合代理训练，教师认可的交叉回合损失暂时锁定在学生的第一个错误动作上，而不是在回合中逐渐累积。基于这些发现，我们提出了 STRIDE（停止并重新启动策略蒸馏加速），它结合了两种互补技术：自适应早期停止，一旦累计教师对数概率低于分布阈值，就终止采样轨迹；前缀缓冲区，缓存高质量前缀并在最弱的正确回合重新启动生成。这些机制共同引发了数据驱动的课程，逐步将覆盖范围扩展到以后的阶段。在$τ^2$-bench零售上，我们的方法匹配全轨迹OPD，并以$3.73\times$加速超过30B教师，以$2.34\times$超越基线本身，并在跨域多教师训练下保留$4.51\times$加速。作为超越代理设置的补充泛化测试，STRIDE 在 AIME 2025 上以 $5.10\times$ 加速优于完全 OPD，在 AIME 2024 上以 $3.08\times$ 加速优于完全 OPD；对两次评估进行平均后，两项固定预算截断基线仍低于全部 OPD。