解构在策略蒸馏：角色、病理与信号调节

该研究系统分析大语言模型在策略蒸馏（OPD）中的训练动力学，指出OPD主要充当探索催化剂，通过密集的逐Token指导引导学生模型发现正确推理路径，却不会提升能力上限。论文识别出学生—教师失配和长度利用两类病理，并以优势裁剪、对数压缩调节信号，在七项基准上改善蒸馏稳定性。