待验证50% 置信观点精确时间
OC-OPD用观测驱动的偏好和闭式协商替代了部分手工调参，可能是其在不同学生设定下都能奏效的原因之一。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/3
首次发现
有效期至：2027/2/1
来源
涉及实体
相关事实
已验证在线策略蒸馏（OPD）让学生模型自己生成训练响应，再由教师模型提供监督信号71% 相似待验证RM-OPD的关键机制是在学生自己生成的critique上施加token级密集监督，使监督分布与学生当前策略分布一致，缓解训练与推理分布错配问题。70% 相似待验证Steered-Teacher OPSD（ST-OPSD）通过激活引导技术同时缓解参考幻觉与 reconsideration 抑制两种失败模式。69% 相似待验证OPRD的设计思路是训练时给予提醒信号，推理时完全撤掉提醒，让学生模型最终学会在没有提醒的条件下独立完成长周期任务。68% 相似待验证论文将现有OPSD做法归纳为两类：一是整个训练过程中教师固定并接触完整参考；二是在每个回答内部教师不变，但跨回答自适应变化部分参考的暴露程度。67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1129554API
curl https://kongchang.com/api/v1/knowledge/claims/1129554MCP
get_claim(id=1129554)