训练稳定性在强化学习中至关重要，因为策略更新、奖励稀疏、环境随机性都会导致曲线波动，某些自蒸馏方法可能在训练中途出现奖励骤降、熵坍缩（策略过早收敛到单一行为）或梯度异常。