★ 2RL教师比SFT教师更适合模型合并蒸馏研究对比了在策略蒸馏（OPD）中，用强化学习（RL）还是监督微调（SFT）训练领域专家作为教师的效果。在Agentic、推理、感知三类任务上，RL引导的学生分别比SFT引导高出4.27、1.50、0.86个百分点，Agentic任务中甚至超越教师本身。分析认为RL教师在参数空间上更接近共享初始化，…arXiv cs.AI34 天前