SAPD：步对齐特权蒸馏

研究人员提出无需 rollout 生成的自蒸馏后训练方法 SAPD，通过将参考解答与各推理步骤对齐来提供针对性的特权分布监督。在数学推理基准上，SAPD 表现超越监督微调与标签平滑，且能媲美 on-policy 强化学习，同时较好保留了域外编程能力。该方法相比 on-policy 基线实现了约 2x 的训练循环加速，相关代码已开源。