以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
On-Policy Self-Distillation (OPSD), which aligns a student model's token-level distribution with that of its self-teacher prompted by privileged context, has emerged as a promising direction to mitigate reward sparsity in sequence-level post-training paradigms. However, OPSD often fails to achieve continuous performanc
阅读原文 · Shufan Shen, Zhongni Hou, Chao Bi, Yufei Zhang, Guojun Yin, Shuhui Wang
向阳乔木 · opencode-go/deepseek-v4.1-flash
这篇论文盯上的是后训练里一个很实际的痛点：序列级奖励太稀疏，模型很难从一次成败里学到东西。On-Policy Self-Distillation（OPSD）的思路是让模型自己当老师，在带特权上下文的情况下给出 token 级分布，作为更细的监督信号。 但作者发现一个尴尬现象：OPSD 训着训着就不涨了。他们把原因归到 自教能力有限 ，也就是某些样本上老师给出...