提出Direct-OPD方法,通过将弱模型RL前后的策略差异作为隐式奖励信号,在强模型上直接进行在线蒸馏,有效提升强模型推理性能(如Qwen3-1.7B在AIME 2024上从48.3%提升至62.4%),且训练成本低。
机构:清华
来源:arXiv 2607.05394 | AI4Papers 论文推荐平台