On-Policy Distillation（在策略蒸馏）

让学生模型自己采样轨迹，教师模型对每一步的每个 token 给出密集监督信号（reverse KL），结合了 on-policy 训练的相关性与蒸馏的密集梯度。

是什么

On-Policy Distillation 是一种后训练（post-training）方法。它让学生模型 $\pi_\theta$ 自己生成 rollout，然后用一个高性能教师模型 $\pi_\text{teacher}$ 对 rollout 中的每个 token 计算 log-probability，以 reverse KL 散度作为损失：

$\mathcal{L} = \text{KL}(\pi_\theta \lvert\rvert \pi_\text{teacher}) = \mathbb{E}_{x \sim \pi_\theta} [\log \pi_\theta(x_{t+1} | x_{1..t}) - \log \pi_\text{teacher}(x_{t+1} | x_{1..t})]$

它位于 SFT（off-policy + dense）和 RL（on-policy + sparse）的交汇点，同时拥有两者的优势。

方法	采样来源	奖励密度
SFT / Off-policy Distillation	教师（off-policy）	密集（每 token）
RL（PPO/GRPO）	学生（on-policy）	稀疏（每 episode）
On-Policy Distillation	学生（on-policy）	密集（每 token）

为什么重要

1. 计算效率远超 RL：RL 每 episode 只提供 $O(1)$ bits 信息（对/错），蒸馏提供 $O(N)$ bits（N = token 数）。实测 self-distillation 场景下计算效率提升 50–100×。
2. 避免 off-policy 的 compounding error：SFT 训练在教师分布上，学生犯错后会进入训练中未见过的状态，错误逐步放大。On-policy 训练永远在学生自身的状态分布上。
3. 无需单独奖励模型：教师模型直接提供 token 级 log-prob，替代了 reward model + process reward model 的复杂管线。
4. 恢复被覆盖的能力：Mid-training 注入领域知识后，用“旧版自己”做教师蒸馏，可廉价恢复指令遵循等后训练行为（IF-eval 45%→83%）。
5. 数据高效复用：同一 prompt 可多 epoch 训练而不死记硬背，因为学的是教师的完整分布而非单一答案。

工作原理

训练流程

1. 采样：学生模型对 prompt 生成完整轨迹（与 RL rollout 相同），记录每步的 student logprobs $\log \pi_\theta(x)$
2. 教师评分：教师模型对同一轨迹做一次前向传播，输出 teacher logprobs $\log \pi_\text{teacher}(x)$
3. 计算损失：逐 token 计算 reverse KL = student_logprob − teacher_logprob
4. 梯度更新：以 negative reverse KL 为 advantage，使用 RL 的 importance sampling loss 更新学生

关键设计选择

• Discount factor = 0：只优化当前 token，不传播未来 token 的奖励。简化训练，允许使用不完整轨迹。
• 教师只需 forward pass：不需反向传播，大教师模型推理成本低。
• Reverse KL 是 mode-seeking：学生被推向教师的单一行为模式，而非分散到多个次优选项。
• Reverse KL “不可被 hack”：低 KL 总是对应教师视角下的高概率理想行为，不会被 reward hacking。

与 RL 的本质区别

文章提出一个重要视角：RL 的大部分算力花在“搜索”语义策略空间，而非梯度更新本身。RL 每一步随机采样已有权重的变体，靠运气“撞到”更好的策略。而 on-policy distillation 不需要建模 RL 课程中所有的中间策略——它直接学习最终的好策略。

类比：科研中花大量资源探索答案；一旦结果被发现，用自然语言教给别人就简单得多。对比之下，体育技能（肌肉记忆）难以言传，只能靠反复练习。

历史与演进

• DAGGER (2011)：迭代 SFT 算法，包含教师对学生访问状态的评估——on-policy distillation 的前身
• Process Reward Modeling (2023)：RL 方法，对 CoT 的每一步打分——同样是密集信号，但需要单独训练 PRM
• Agarwal et al. (2023) / Gu et al. (2023)：早期 on-policy distillation 探索
• Qwen3 Technical Report (2025.05)：展示 on-policy distillation 在 AIME’24 上以 1/10 RL 成本达到 74.4%——本文的直接灵感
• 本文 (2025.10)：系统化研究 on-policy distillation，在 Tinker 上开源实现，覆盖推理和个性化两大场景

常见误解

• ❌ “On-policy distillation 就是 RL 的一种” → 它复用了 RL 的采样管线，但监督信号来自教师的 token 级分布匹配，而非标量奖励。信息量差 $O(N)$ vs $O(1)$。
• ❌ “蒸馏一定比 RL 信息量大，所以总是更好” → 蒸馏只能学到教师已有的策略。如果教师也不知道最优策略（如新的创意任务），RL 的探索能力不可替代。
• ❌ “在自己的样本上做 SFT 就是 on-policy” → 文章实证：即使是自己的样本，有限 batch 的随机性导致分布漂移，SFT 逐步退化为 off-policy 并退化性能。只有教师固定的 on-policy distillation 能保证收敛到教师。
• ❌ “Reverse KL = Forward KL” → Forward KL 是 mean-seeking（覆盖教师所有模式），Reverse KL 是 mode-seeking（锁定单一模式）。对蒸馏而言 mode-seeking 更合适。

与相邻概念的区别

概念	采样源	监督信号	信号密度	典型用途
SFT	外部数据集	交叉熵	密集	指令遵循初始化
Off-policy Distillation	教师采样	教师 logits/trajectories	密集	小模型复现大模型
RL (PPO/GRPO)	学生	标量奖励	稀疏	对齐/推理能力激发
Process Reward Model	学生	逐步打分	密集（但需单独训练 PRM）	推理步骤监督
On-Policy Distillation	学生	教师 token log-prob	密集	高效后训练/持续学习
DMD（分布匹配蒸馏）	学生	教师 score + fake score	密集	扩散/流匹配少步生成
DiffRO（可微奖励优化）	学生	可微判别器 token 级奖励	密集	Token 级可微后训练

相关

• 资料摘要：On-Policy Distillation — 原始文章详细笔记
• Knowledge Distillation（知识蒸馏） — OPD 所属的蒸馏大类，Forward/Reverse KL 对比
• Policy Gradient（策略梯度） — OPD 中 reverse KL 作为 advantage 的 RL 数学基础
• verl — 支持 OPD 训练的开源 RL 后训练框架
• SFT（监督微调） — off-policy + dense 的基线方法
• RLHF（人类反馈强化学习） — on-policy + sparse 的经典方案
• PPO（近端策略优化） — RLHF 中的核心 RL 算法
• GRPO（组相对策略优化） — 去 Critic 的高效 RL 变体
• 分布匹配蒸馏（DMD） — 扩散模型领域的分布蒸馏方法
• DiffRO（可微奖励优化） — 同样追求 token 级密集信号的后训练方法
• 对齐税 — on-policy distillation 可用于恢复对齐能力
• Wiki 目录