TILDE：从具身基础模型进行教师参与式蒸馏

2026年10月20日，arXiv Robotics 刊出 Yuxiang Lu 等作者的论文，提出 TILDE（Teacher-In-the-Loop Distillation from EFMs）蒸馏方法与 AutoDAgger 数据聚合流程。据该报道，TILDE 的目标是把预训练具身基础模型（EFM）的能力迁移到未做动作预训练的策略上，做法是将学生模型诱导状态下的在线蒸馏，与学习教师执行的恢复轨迹相结合。其 AutoDAgger 流程用机器人奖励模型监测任务进度并触发教师干预；报道称恢复轨迹采集速度比人工介入方法提升 2 倍以上。在三个真实世界任务中，TILDE 的任务表现最高达行为克隆的 4.1 倍，并支持有效的跨架构蒸馏。目前该事件仅有这一篇主报道，尚无跟进报道，上述数字与结论均来自该论文报道本身。

AI 根据报道生成 · 51 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。