Thinking Machine最新研究正在被热议！

创始人、OpenAI前CTO Mira Murati亲自转发后，一众围观大佬开始惊叹其研究价值（截不完、根本截不完）：

根据Mira Murati的提炼，原来他们提出了一种让小模型更懂专业领域的LLM（大语言模型）后训练方法——On-Policy Distillation （在线策略蒸馏）。

这个方法的精髓，可以打个比方。想象一下，以前训练AI有两种主流方式：

实战演戏（如强化学习等在线策略方法）：让它自己摸索、从错误中成长，学得灵活，但非常耗时耗力。请家教（如监督微调等离线策略方法）：直接把正确答案喂给它，效率高，但学得死板。

而On-Policy Distillation相当于请了一位天才教练。这位教练一边让AI自己动手解题（实战），一边在它卡壳或犯错时，立刻给出关键提示和正确答案（家教）。

这样做最大的好处就是“性价比”超高。实验结果证明，用这种方法来教小模型数学——达到同样水平，所需的训练步骤少了7-10倍；整体算下来，效率提升了50-100倍。

这意味着，一些资源受限的个人或小公司，也能高效地训练出在特定领域很能打的“小模型”了。

包括翁荔在内，难怪大家看完都直呼：优雅、实在是优雅！

而且啊，当我们扒完相关博客后才发现，On-Policy Distillation的价值还不止于此——

在线策略蒸馏：结合两种范式的最佳实践

论文指出，要让模型具备强大的专业领域能力，通常会经历以下三个过程：

预训练 (Pre-training): 教会模型通用能力，比如语言使用、广义推理、世界知识。中训练 (Mid-training): 传授领域知识，比如代码、医学数据库、公司内部文档。后训练 (Post-training): 这是最后也是至关重要的一步，需要引导模型产生目标行为，比如按指令操作、解决数学题、聊天等。

而他们这次就把目光放在了后训练上。

截至目前，后训练阶段诞生了两大主流范式，即开头提到的在线策略 (On-policy) 和离线策略 (Off-policy) 训练。

考虑到两种方式各有其优缺点，所有这次他们选择“取其精华去其糟粕”，来一个巧妙的融合——

将在线策略的自主探索与离线策略的密集监督结合起来，以创造一个“两全其美”的训练框架。

具体来说，他们核心想让学生模型在自己生成的轨迹上学习，但每一步（注意是每一步）都由一个更强大的教师模型进行细致的评分和指导。（就像解题一样，学生给出每一步解题过程，教师给每一步打分）

相关流程大致如下：

初始化教师模型：找一个实力强大的模型当老师（通用模型或经过专门训练的专家模型均可），它只负责计算概率，而不需要进行反向传播更新梯度。学生采样轨迹：让学生模型自主解题，过程中需记录下它在每一步选择每个token的对数概率。教师逐步评分：将学生模型生成的轨迹，原封不动地交给教师模型。教师模型会对这个轨迹的每一个token进行评估，计算出在相同的上下文下，它自己生成这个token的对数概率。然后，通过学生和教师的对数概率之差，可以计算出两者在每一步的分歧 (Divergence)。使用分歧作为奖励进行训练：最后使用上述分歧作为奖励信号，来更新学生模型。

这里重点介绍一下“KL散度 （Negative reverse KL divergence） ”这一评估分歧的指标。

简单来说，当学生模型与教师模型的行为一致时，KL散度为零；当学生模型的选择与教师模型的期望相差甚远时，KL散度会变得很大，从而产生一个强烈的负面奖励（惩罚）。

学生模型的目标就是通过训练，最小化这个KL散度——换言之，越像老师奖励越高，越不像惩罚越狠。

这种逆向KL散度具备两个非常优秀的特性：

一是能防作弊。传统强化学习中，模型可能学会钻空子，用一些看似正确实则取巧的方式获得高分。而现在，评判标准直接锚定教师模型的“真知灼见”，学生只有真正学到精髓才能获得高分，堵死了作弊空间。

二是让学习过程更加稳定和聚焦。它能让学生模型精准锁定教师模型展现的“最优解法”，避免在多个普通答案间摇摆不定，从而确保学习过程更稳定、结果更出色。

基于上述方法和特性，他们进行了两个实验来验证其效果。

实验一：将32B大模型的数学能力快速教给8B小模型

教师模型：Qwen3-32B
学生模型：Qwen3-8B-Base

所有实验从一个共同起点开始：学生模型通过传统训练（监督微调），在数学基准AIME’24上已达到60分。研究目标是将性能从60分提升至70分。

为达成目标，研究人员对比了三种方法的计算成本：

继续传统训练：大约需要额外训练200万个样本，计算开销非常巨大；强化学习：根据Qwen3团队的技术报告，在一个相似的SFT初始化模型之上，通过强化学习将性能提升到 67.6%，花费了17920个GPU小时。这个成本与训练200万个SFT样本的成本大致相当；在线策略蒸馏：仅用了大约150个训练步骤就达到了70%的目标分数，与外推到200万样本的SFT相比，在线策略蒸馏的计算成本砍掉了9~30倍。

而且如果从GPU小时的角度看，由于教师模型计算对数概率 (log-probs) 的过程可以高效并行化，实际节省的时间成本可能更接近18倍。

这个实验有力证明了在线策略蒸馏在计算效率上的巨大优势。它用远低于传统SFT或RL的成本，实现了同等甚至更好的性能提升。

实验二：打造兼具知识性与通用性的企业AI助理

目前存在的问题是：给AI学习新知识（公司内部文档）时，它会忘记旧技能（对话交流）。

假如使用传统微调方法向模型注入内部知识，往往会出现严重的“灾难性遗忘”——内部知识得分显著提升（从18%升至43%），但通用能力大幅下降（从85%暴跌至45%）。

而且无论怎样调整数据配比，都无法同时保住两项能力。

于是他们想到了，当模型因学习新知识而“遗忘”部分通用能力后，可以使用在线策略蒸馏进行修复——让“失忆”的模型向它自己最初的、能力完整的版本学习。

结果意外发现，模型的通用能力几乎完全恢复（从79%回升至83%），同时新知识未被破坏（反而从36%提升至41%）。

这说明，在线策略蒸馏是解决AI“灾难性遗忘”的有效工具。它能够在不损害新学技能的前提下，精准地恢复模型遗忘的核心能力，为实现AI的“终身学习”提供了关键技术支持。

论文核心作者Kevin Lu

最后看一下这项研究的核心作者——Kevin Lu（论文唯一单独提到的）。

今年8月，Kevin Lu离开OpenAI转身投入Thinking Machine的怀抱。

在OpenAI工作期间，他领导了4o-mini发布，并参与o1-mini、o3发布，主要研究强化学习、小模型和合成数据。

很明显，这一次的研究也和其之前的工作息息相关。

论文：
https://thinkingmachines.ai/blog/on-policy-distillation/