BranchOPD 用学生不确定性与师生分歧选择分叉，再从学生自身策略采样不同后续，由教师逐token监督；共同前缀只计一次。PBR另行约束完成答案后的停止和异常协议标记。数学avg@16平均准确率为44.37%；把基线也加上PBR后，相对单轨OPD的增益是5.43个百分点，不能将未修复基线的18.55点全部归给分枝。ALFWorld、WebShop报告的19.1%与31.2%节省只算学生生成token，不含教师、反传和环境回放。
持续追踪
持续追踪
BranchOPD 用学生不确定性与师生分歧选择分叉，再从学生自身策略采样不同后续，由教师逐token监督；共同前缀只计一次。PBR另行约束完成答案后的停止和异常协议标记。数学avg@16平均准确率为44.37%；把基线也加上PBR后，相对单轨OPD的增益是5.43个百分点，不能将未修复基线的18.55点全部归给分枝。ALFWorld、WebShop报告的19.1%与31.2%节省只算学生生成token，不含教师、反传和环境回放。