面向大语言模型的在策略蒸馏（On-Policy Distillation）综述

该综述旨在统一在策略蒸馏（OPD）框架，通过研究学生生成状态、教师信息以及策略更新之间的相互作用来解决模型训练与部署历史的错配问题。 研究连接了蒸馏、自蒸馏、多教师集成、强化学习以及交互式智能体，并考察了不同监督设置下的设计选择如何影响能力迁移、训练效率及部署效果。 综述重点探讨了在学生演化过程中指导保持可靠和可学习的条件，并讨论了在适应监督以及分配计算资源以支持高效学习方面仍存在的开放挑战。