On-Policy Distillation的基本范式已经确立——学生在自己的rollout上接收教师的token级信号，避免off-policy的暴露偏差，同时获得比稀疏奖励RL更稳定的梯度。但"均匀蒸馏"的局限也同步暴露：教师-学生能力差异导致梯度方差爆炸、多领域能力整合时信号互相干扰、弱 ...