#师生协同

研究揭示在线策略蒸馏中教师模型存在离策略不对称

论文指出在线策略蒸馏存在根本性不对称：学生轨迹对教师而言是离线策略的，教师续写性能随学生前缀变长而下降。提出SCOUT协同训练框架，用可验证奖励的强化学习周期性优化教师对学生前缀的条件能力，在多种师生配置与推理领域持续提升蒸馏效果。