论文提出多教师在线策略蒸馏（MOPD）：先针对不同领域分别进行强化学习，获得多个专门教师，再让学生基于自身生成轨迹蒸馏教师能力。作者称，该方法在 Qwen3-30B-A3B 上优于 Mix-RL、Cascade RL、离线微调和参数合并，并已用于工业级模型 MiMo-V2-Flash 的后训练。
最近 24 小时暂无可用热度快照。