指令而非答案：在在线策略上下文蒸馏中使用指令特权

研究提出在在线策略上下文蒸馏（OPCD）中使用针对常见错误的通用指令特权，以替代样本专用的标准答案。在基于 ProverQA、ProofWriter 与 ProntoQA 数据集以及 Qwen3-Thinking 和 Olmo3-Thinking 模型的 8 组实验中，匹配指令特权在 7 组中的 OOD 准确率领先标准答案 4 到 17 个百分点，且领域内表现相当。