Length Self-Distillation 用在线蒸馏缓解 Length-Scaling Tax

Length Self-Distillation（LSD）在 RL 后训练中用在线策略蒸馏缓解 Length-Scaling Tax，减少已解决问题的冗长回答。LSD 以在线策略的指数移动平均作为教师，无需外部模型；单轮推理中 LST 从 19.0% 降至 -3.7%，多轮智能体任务中从 31.4% 降至 13.7%。