论文提出直接在策略上蒸馏（Direct-OPD），先在较小模型上执行带可验证奖励的强化学习，再将强化学习前后检查点的策略变化，以隐式稠密奖励迁移给更强模型。Qwen3-1.7B在AIME 2024上由48.3%提升至58.3%，使用8张A100耗时4小时。
最近 24 小时暂无可用热度快照。