接力传递：轨迹中继在线策略蒸馏

在线策略蒸馏（OPD）将token级监督建立在学生自身轨迹上，但存在前缀失败问题：学生一旦选择错误推理方向，后续生成便基于该偏差，产生误导性延续。我们识别出教师-学生在失败前缀上的延续不对称性，并将其转化为Relay-OPD中的无标签交接触发机制。

查看原文