Thinking Machines 详解 on-policy 蒸馏：用稠密奖励低成本后训练

Thinking Machines 发布文章系统讲解 on-policy 蒸馏，即从学生模型采样轨迹、再由教师模型对每个 token 打分，结合了 on-policy 训练的相关性与蒸馏的稠密奖励信号。