为在线策略蒸馏提出更优 Rollout 策略

针对在线策略蒸馏（OPD）中的师生分布不匹配问题，研究提出 MPOPD，将 Rollout 策略本身作为优化目标并构建师生几何混合分布。该方法利用提议策略实现单次前向传播生成采样轨迹，在 16 个数学、知识与医学推理基准上超越 OPD。在 Qwen3-4B-Base 模型的数学推理测试中，其平均准确率较 OPD 提升 6.91，平均生成长度缩短 41%。