通过分离感知和推理阶段的教师监督，解决多模态自蒸馏中的答案捷径问题

Lean 4 高效开源证明器家族：4B 模型以 167× 参数优势反超 671B 基线

通过自蒸馏和VLM反馈将视频扩散模型转为指令跟随的任务求解器

提出 Feedback Distillation 方法，改进定理证明训练

研究反馈结构对自蒸馏效果的影响，发现步骤对齐的反馈显著优于二值奖励和参考解

TRD通过轨迹级修正解决OPD前缀失效问题

提出 DistIL 算法，通过前向交叉熵和序列级信用分配解决自蒸馏方法的单调性缺陷

把全词表自蒸馏与RLVR奖励统一为策略梯度，稳定提升LLM推理性能。

让MLLM学会何时调用、验证、信任世界模型的视频推演来预测未来。

将dLLMs的RL转化为去噪器自蒸馏，避免ELBO似然度替代的TIM偏差

用全轨迹后视分析挑选失败步骤，仅在相关动作片段做反馈条件蒸馏。

RTPurbo 用低维索引与动态 top-p，仅数百步训练把全注意力改造为近无损稀疏注意力。

用两个互补自蒸馏教师逼向效用与隐私的交集，无需外部监督即可兼顾两者

提出变分策略蒸馏(VPD)框架，通过EM算法让教师与学生协同进化，解决RLVR稀疏奖励问题

AntiSD通过反转自蒸馏梯度方向解决推理RL的捷径偏置问题

用正反答案对比信号解决 RLVR 中 token 级信用分配难题

通过零专家注入与两阶段自蒸馏把 post-trained MoE 转成 dynamic MoE

通过混合模型自身的专家和朴素条件分布，实现无灾难性遗忘的知识注入方法

门控自蒸馏 OPSD，稳健提升多轮 LLM 智能体 RL 训练。

OmniClean 去偏评测加 OmniBoost 三阶段后训练，3B 模型可比肩 30B