接力交棒：轨迹传递式在线策略蒸馏

论文指出在线策略蒸馏存在“前缀失败”：学生模型一旦在推理早期走偏，后续轨迹会持续偏离并产生不可靠监督。Relay-OPD通过检测教师与学生在失败前缀上的续写差异，让教师短暂接管生成一段轨迹后再交还学生。使用Qwen3-4B教师训练0.6B和1.7B学生，在8个数学推理基准上优于标准OPD及FastOPD，1.7B平均分别提升5.73%和1.49%，训练轨迹长度减少超过50%。