密集并不等于更好：持续后训练中在策略自蒸馏的局限

论文重新评估在策略自蒸馏在持续后训练中的稳定作用。基于SDPO的实验显示，它能在教师信号稳定且匹配良好的域内加速专门化，却更难泛化；持续训练中遗忘更强，甚至可能崩溃。相比之下，GRPO更保守，较能保留既有能力。密集蒸馏还会放大参数、响应漂移及格式伪影。