具有可验证奖励的强化学习（ RLVR ）通过最终答案的正确性来监督数学推理，但对个别代币几乎没有提供任何指导。随机蒸馏（ OPD ）为学生生成的回答提供密集的反馈，但教师的偏好不一定反映正确性。最近的混合动力车结合了OPD和验证者衍生的优势，或使用

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2609.28385v1)获取最准确的信息。

---
🔗 **原文链接**: [When and Where to Trust the Teacher: Unifying On-Policy Dist](https://arxiv.org/abs/2609.28385v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Jie Zhang, Jingxiao Yang, Zhehao Huang, Yuhang Liu, Xiaolin Huang

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-09-24 13:01