Weak-to-Strong Generalization via Direct On-Policy Distillation 全文總結(jié)+指定章節(jié)中英對照翻譯一、文章整體核心內(nèi)容總結(jié)1. 研究背景當(dāng)前基于可驗(yàn)證獎勵的強(qiáng)化學(xué)習(xí)（RLVR）是提升大模型數(shù)學(xué)推理能力的主流后訓(xùn)練方案，但存在極高算力成本：模型規(guī)模越大，生成采樣軌跡、迭代RL的開銷呈指數(shù)上漲，每一款新的強(qiáng)推理模型都要從頭跑完整RL，后訓(xùn)練成為性能擴(kuò)展瓶頸。傳統(tǒng)在策略蒸餾（OPD）直接模仿小RL模型的最終策略，存在致命缺陷：小模型的最終策略混合了RL帶來的推理增益與小模型本身的容量短板；若學(xué)生模型本身性能已經(jīng)超過小教師，單純模仿會直接拉低學(xué)生效果。2. 核心方案：Direct-OPD（直接在策略蒸餾）不蒸餾小RL模型的絕對輸出分布，而是提取RL帶來的策略偏移量作為可遷移隱式獎勵：取同一小模型RL前后兩個(gè)權(quán)重：RL前參考模型πTref\pi_{T_{ref}}