近期的文本到动作模型在运动质量和指令遵循方面取得显著提升，但多步去噪和庞大的模型组件导致部署速度慢、显存占用高。\ \ 我们提出 终端放大控制蒸馏（TACD），一种基于 on‑policy 的方法，利用预训练教师模型和文本提示训练高效的运动生成器，无需真实运动数据。TACD 在学生生成的轨迹上对教师输出的干净动作进行监督，采用分段的 on‑policy flow 蒸馏框架。\ \ 在固定监督网格上进行速度匹配时，我们发现误差会在去噪终点被反复放大，导致少步生成性能下降。为了解决该问题，TACD 将最新的教师查询与学生的步长绑定，从而在干净动作空间对有效损失权重设定上界，推理过程保持不变。\ \ 实验在 HumanML3D 与 KIT‑ML 数据集上进行。相较于未加权重约束的蒸馏，八步学生模型的 FID 降低了 58%。对于扩散教师，端点匹配形式的 TACD 使四步学生的 FID 更低，且文本‑动作检索指标与 50 步教师持平或更佳。\ \ 在 HY‑Motion 与 Kimodo 上，八步学生模型实现了 7.7‑11.9 倍的端到端加速，并将峰值 GPU 显存降低 3.8‑6.7 倍。\ \ 项目页面：https://vkgo.github.io/TACD/\ \ 点评：TACD 通过对损失权重的动态约束，有效提升了少步生成的质量和推理效率，为实际部署提供了可行的轻量化方案。