一个比老师小得多的学生模型，在没见过的任务上跑出了63.4%的成绩，而它那位8B的老师，被它甩在了身后。这不是段子，是一篇关于小语言模型智能体蒸馏的新论文给出的结果。

论文的名字叫 Harness-Aware Distillation，直译过来是"感知执行框架的蒸馏"。它要解决的问题很具体：小模型智能体在部署时，往往要挂在一个执行框架（harness）上跑，但训练的时候，模型并不知道这个框架的存在。

打开网易新闻 查看精彩图片

先看一组数字

研究者在 ALFWorld 上做了对比。把 harness 信息加进 on-policy 蒸馏之后，学生模型使用 harness 信息的频率从 65.7% 升到了 73.1%。

但成功率几乎没动：从 43.1% 到 43.5%。也就是说，模型确实更爱看框架信息了，可任务完成得并没有更好。这个反差，正是这篇论文想绕开的坑。

方法本身不复杂

Harness-Aware Distillation 的做法是：拿同一个老师模型，分别在有 harness 信息和没有 harness 信息的情况下各问一遍，然后训练学生去偏好那个"带着框架信息做出的动作"。

中间加了一道过滤器，把那些"偏好动作和 harness 记录相矛盾"的样本对丢掉。整套方法不依赖任务奖励，也不需要成功标签。

换句话说，它不告诉学生"这样做能赢"，只告诉学生"老师在有框架信息时更倾向这样做"。

结果落在两个指标上

在未见过的 ALFWorld 任务上，学生模型达到 63.4%，而最好的基线是 47.0%。它同时超过了那个 8B 的老师模型。

另一个指标是"脱困率"——从卡住的状态里走出来的比例。学生模型能摆脱 59.7% 的停滞，而基线们基本停在未训练学生的 46.8% 附近。

论文地址是 arxiv.org/abs/2610.02858，另有一个对话入口 academy.dair.ai/papers/harness。

对小模型智能体来说，这套思路的价值在于：它把"框架信息"当成了一种可蒸馏的信号，而不是部署时才临时塞进去的上下文。学生学到的是"什么时候该看框架"，而不是死记框架里的内容。