DIAL-OPD：在同策略知识蒸馏中用更少 Token 实现更优学习

DIAL-OPD 提出了一种面向同策略知识蒸馏（OPD）的 token 选择方法，通过教师与学生概率的对数平均值加权奖励幅度来过滤低价值 token。在 7 个数学推理基准测试中，该方法仅保留 40% 的 token 即可超越全量 token 基线，平均准确率最高提升 5.25 个百分点，并将 AIME25 Pass@16 从 13.33% 提升至 26.67%。