xOPD演进｜梳理近期OPD的改进工作：哪些是同一个问题换说法、哪些是动了不同的模块

近年来，关于在线策略蒸馏（OPD）的改进工作层出不穷，本文对这些工作进行了系统梳理，从技术视角揭示了其背后的演化逻辑。背景方面，OPD 及其变体如 GRPO 在大型语言模型的后训练中广泛应用，但面临教师信号噪声大、信用分配困难、算力消耗高及训练不稳定等问题。研究目的上，本文旨在厘清近期涌现的 15 余种 xOPD 方法（如 AOPD、RLRT、RLCSD 等）的核心差异与联系，辨析哪些改进触及了不同的模块或解决了同一个问题的不同方面。结论指出，OPD 的真正贡献不在于某种特定的损失函数形式，而在于揭示了“教师信号必须动态、自适应地跟随学生状态”这一深层认识。演化主线表明，从“教师全程指导”逐步过渡到“教师只在学生犯错或成功时选择性干预”，甚至“教师方向翻转”，这与教育学的建构主义思想高度呼应。未来，教师信号的动态自适应能力将成为后训练技术的常识基础，而非单一的“最佳方法”。