★ 3新研究：用指令特权改进在线策略上下文蒸馏论文研究在策略上下文蒸馏（OPCD），发现以实例级金标答案或示范作为特权信息反而会损害训练表现，尤其分布外场景。作者改为设计针对学生常见错误的通用指令作为特权，在自动形式化任务中匹配格式指令的分布外准确率大幅超越金标。在 ProverQA、ProofWriter、ProntoQA 与 Qwen3-…arXiv cs.AI34 天前