无需搜索的锐化：序列级幂分布的在策略蒸馏

OPPD 将序列级幂分布蒸馏进模型，使其无需多候选搜索即可单次生成更高准确答案。在 MATH500 和 GSM8K 上，相同温度下较未训练模型最高提升 23.0 和 27.3 points；相比同 checkpoint 和预算的 GRPO，在 MATH500、GSM8K、AIME 上高 3.8、4.0、5.4 points。