待验证50% 置信事实精确时间
Token级在线策略蒸馏将学生模型的隐藏状态与教师信号对齐，并加入门控机制进行信用分配，在数学和工具使用基准上取得提升。
1
来源数
50%
置信度
长期有效
时效性
2026/10/19
首次发现
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72% 相似待验证DINOv2的核心训练策略基于自蒸馏，模型同时维护教师网络和学生网络，学生网络通过预测教师网络对同一图像不同裁剪视角的输出来学习特征表示72% 相似待验证教师-学生蒸馏框架先训练可访问完整环境信息的教师策略，再蒸馏到仅依赖机载传感器的学生策略中以实现真实硬件部署72% 相似待验证arXiv论文《RM-OPD: On-Policy Distillation for Generative Reward Models》提出两阶段流程：先训练多个领域专用奖励模型教师，再通过路由式在线策略蒸馏整合进一个生成式学生模型，该统一学生模型据称超越了它所有被蒸馏的专家教师。70% 相似待验证轻量级学习代理模型通过离线训练学习模拟器的输入输出映射，在线时快速推理，以更低运行时成本支持在线控制。68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1065657API
curl https://kongchang.com/api/v1/knowledge/claims/1065657MCP
get_claim(id=1065657)