在过去三年中，AMR（抽象 meaning representation）解析技术取得了前所未有的性能提升，这一进步得益于架构优化与迁移学习等多种因素的共同作用。自学习技术也在推动性能提升方面发挥了重要作用。然而，对于大多数近期表现优异的解析器而言，自学习机制以及银色数据增强（silver data augmentation）的效果似乎已趋于饱和，呈现出边际效益递减的趋势。本文提出一种新方法，通过结合基于Smatch的集成技术与集成蒸馏（ensemble distillation），以克服银色数据增强效果减弱的问题。在广泛的实验设置下，我们显著提升了单模型在英文AMR解析上的性能，达到新的最先进水平：AMR2.0数据集上为85.9，AMR3.0数据集上为84.3，并重新实现了银色数据增强带来的显著收益。此外，我们在中文、德语、意大利语和西班牙语的跨语言AMR解析任务中也取得了新的最先进成果。最后，我们进一步探讨了该方法在领域自适应任务中的影响，结果表明，其性能提升可媲美人工标注数据，在QALD-9任务中表现出色，并在BioAMR任务上实现了新的最先进水平。