待验证50% 置信事实精确时间
PIVOT 将教师引导拆解为两个互补机制：轨迹级干预（在学生轨迹中插入教师纠正）和 token 级监督（对纠正片段提供稠密的目标信号）。
1
来源数
50%
置信度
长期有效
时效性
2026/10/30
首次发现
来源
涉及实体
相关事实
待验证On-policy蒸馏要求学生先生成自己的prefix轨迹，再由教师在学生实际到达的状态上给出指导，因此状态分布对齐，在长周期、误差易累积的任务上通常更稳定。73% 相似待验证论文以智慧教师的干预作为形式化收尾，当学习者在平台期停滞时教师可将其提升到下一层级71% 相似待验证在 PIVOT 中，监督只作用于插入的教师纠正片段，原始学生 token 仍由 RLVR 奖励驱动，两类损失联合优化。71% 相似待验证教育脚手架指教师在学习者独立完成任务尚显吃力时，提供临时性的提示、示范或分步引导，并在能力增长后逐步撤除；常见形式包括任务拆解、引导性提问、关键节点检查点和可模仿示例。70% 相似待验证论文将现有OPSD做法归纳为两类：一是整个训练过程中教师固定并接触完整参考；二是在每个回答内部教师不变，但跨回答自适应变化部分参考的暴露程度。68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1115280API
curl https://kongchang.com/api/v1/knowledge/claims/1115280MCP
get_claim(id=1115280)