On-Policy蒸馏提供了一种优雅的方法，将教师模型作为过程奖励模型来提供密集奖励，同时在推演过程中避免SFT风格的OOD冲击 大语言模型能够在特定领域展现出专家级的表现，这是多种能力叠加的结果：输入感知、知识检索、计划选择和可靠执行。这需要一套堆叠 ...