Teaching a Tree to Recover：在线蒸馏LLM监督者并用反事实回放训练决策树

论文提出将LLM监督者在线蒸馏为决策树，并用反事实回放为每次训练回合后的恢复动作打上必要、不必要或有害的标签，以淘汰无用规则。在仿真中20个仅靠MPC会卡住的未见布局上，该决策树在所有随机种子下至少正确处理18个，或到达目标，或在无可行路径时求助。其表现与始终查询LLM的监督者和专家设计规则相当，且测试时不发起任何LLM查询。