近年来，半监督学习方法普遍以伪监督（pseudo supervision）为核心思想，其中自训练（self-training）方法通过生成伪标签来利用未标记数据。然而，伪标签存在可靠性问题。现有的自训练方法通常仅依赖单个模型的预测置信度来筛选低置信度的伪标签，这会导致高置信度的错误标签被保留，同时大量本应正确的低置信度标签被误删，造成信息浪费。本文指出，模型难以有效识别自身产生的错误。相反，利用不同模型之间的预测不一致性（inter-model disagreement）是定位伪标签错误的关键。基于这一新视角，我们提出一种基于动态重加权损失函数的双模型互训机制，称为动态互训（Dynamic Mutual Training, DMT）。该方法通过比较两个不同模型的预测结果来量化模型间的不一致性：当预测差异较大时，表明可能存在错误，此时对应样本的损失值将被动态降低，从而减少其对模型训练的影响。大量实验结果表明，DMT在图像分类与语义分割任务上均达到了当前最优的性能表现。相关代码已开源，地址为：https://github.com/voldemortX/DST-CBC。