不模仿老师，只偷老师的"成长曲线"——Direct-OPD 如何用小模型的 RL 偏移撬动大模型
一个反直觉的困境
假设你是一个 7B 参数的语言模型，已经在 AIME 2024 数学竞赛上拿到了 56.7% 的分数。现在你的工程师说："嘿，我跑了个 1.5B 的小模型 RL，它从 28.5% 涨到了 51.3%，我把它的策略蒸馏给你吧。"
你的第一反应应该是拒绝。
因为如果你老老实实地去模仿这个 51.3% 的小模型策略，你自己的分数会被拖到 50% 左右——论文里 Figure 1(a) 就画了这条曲线。这就像一个考上 567 分的高中生被强制按照一个考了 513 分的小学生答题方式重做一遍卷子，结果只能更糟。
但论文同时告诉你：如果你不模仿小模型的"最终策略"，而是去模仿它"从 RL 前到 RL 后的那段变化方向"，你的分数能从 56.7% 涨到 63.1%。
这就是 Direct On-Policy Distillation（Direct-OPD）的核心洞察：不要偷老师的答案，要偷老师的成长曲线。
为什么直接蒸馏会失败
要理解这个反直觉，得先看清楚标准 OPD（On-Policy Distillation）到底在做什么。
标准 OPD 的逻辑很朴素：学生自己采样到哪些状态，就在这些状态上让学生去匹配老师的下一个 token 分布。数学上，这等价于最小化学生和老师在每个学生访问过的 prefix 上的 KL 散度。这个 KL 散度会自然分解成一项：log q_t(v) - log p_t(v)，也就是老师和学生之间的 log-ratio。
问题出在"老师的绝对分布"这件事上。一个 1.5B 模型经过 RL 训练后，它的策略分布里混了两样东西：
- RL 真正学到的"怎么思考更有效"的方向变化
- 1.5B 模型本身容量不足带来的"它只能这么回答"的局限
当一个 7B 学生去模仿这个混合体时，它被迫同时接受了 RL 的有用信号和小模型的容量天花板。如果学生本来就已经比老师强，这个模仿过程就会把学生的有用行为覆盖掉。
关键数学：策略偏移就是隐式奖励
Direct-OPD 的核心操作是定义"教师策略偏移"：
\[\Delta_T(y|x) = \log \pi_T(y|x) - \log \pi_{T_{ref}}(y|x)\]
其中 \(\pi_T\) 是 RL 后的教师，\(\pi_{T_{ref}}\) 是 RL 前的同一教师。这个减法把"小模型本来就会的东西"减掉了，只留下"RL 让小模型改变的方向"。
这个减法不是随便做的。它背后有一个非常漂亮的数学事实：在 KL 正则化的 RL 目标下，最优策略满足
\[\log \frac{\pi^*(y|x)}{\pi_{ref}(y|x)} = \frac{1}{\beta} r(x,y) - \log Z(x)\]
也就是说，策略和参考的 log-ratio，在去掉一个 per-prompt 常数后，正比于奖励。
这个恒等式是 DPO（Direct Preference Optimization）的基础——DPO 从偏好数据反推策略。而 Direct-OPD 把它用在了反方向：你已经有了 RL 后的策略和 RL 前的参考，你可以从这对 checkpoint 里把奖励信号读出来。
一对小模型 checkpoint，就是一个隐式奖励模型。不需要训练显式 reward model，不需要在目标模型上跑稀疏奖励 RL，只需要拿这对 checkpoint 算 log-ratio。
从序列到 token：密集奖励
策略偏移 \(\Delta_T\) 是序列级的，但因为自回归模型的对数概率可以按 token 分解，这个偏移也精确分解为每个 token 的偏移：
\[r_t(v) = \log \pi_T(v|s_t) - \log \pi_{T_{ref}}(v|s_t)\]
\(r_t(v) > 0\) 的地方，RL 让教师更倾向于输出 token \(v\)；\(r_t(v) < 0\) 的地方，RL 压制了 \(v\)。这是一个密集的、每个 token 都有的奖励信号，不是 RLVR 那种只在最后给一个对错的稀疏奖励。
学生在这个密集奖励上做策略梯度，等价于学生在用小模型 RL 发现的奖励函数做 KL 正则化 RL——但学生的参考策略是它自己（\(\pi_S\)），不是小模型。所以学生是在"自己的基础上，朝着小模型 RL 发现的方向倾斜"。
自适应 KL：一个被忽视的工程细节
论文里有个容易被忽略但非常关键的工程细节：自适应 KL 系数 \(\alpha\)。
为什么需要自适应？因为 \(\Delta_T\) 的尺度是由小模型 RL 的 \(\beta\) 决定的，这个 \(\beta\) 是小模型训练时固定的、从 checkpoint 对里无法恢复的。学生的 KL 系数 \(\alpha\) 要和小模型的 \(\beta\) 匹配，但 \(\beta\) 不可观测。
Direct-OPD 的解决方案非常轻量：每步根据 batch 级别的平均奖励符号微调 \(\alpha\)。如果当前 batch 的平均偏移为正（教师 RL 在学生当前访问的状态上整体是鼓励方向），就稍微调大 \(\alpha\) 防止过度放大；如果为负（教师 RL 在压制），就调小 \(\alpha\) 让密集梯度有空间把概率从被压制的 token 上移开。
这个控制器只有一行公式，但它解决了一个本质问题：跨尺度迁移时，奖励的单位和正则化的单位不在同一个量纲上。
数据说话：4 小时 8 卡干了什么
论文的核心实验数据：
注意几个细节：
- Qwen3-4B 基线 72.5% 已经远超教师 JustRL-1.5B 的 51.3%，但 Direct-OPD 仍然能继续提升它
- 整个训练只用了 8 张 A100、4 小时
- 对比：Polaris 直接在 Qwen3-1.7B 上跑 RL，需要 32 张 A100、至少一周，达到类似效果
更反直觉的是 Section 3.2 的结果：在相同 RL 步数下，先在 1.5B 小模型上跑 RL 再用 Direct-OPD 迁移到 7B，比直接在 7B 上跑 RL 效果更好、算力更省。1.5B 上 1500 步 RL 约 160 GPU 小时，7B 上同样步数要 320 GPU 小时；迁移阶段只需 4 小时 8 卡，几乎可以忽略。
这意味着小模型是"发现 RL 方向的更便宜的环境"。大模型不需要自己重新发现这个方向，只需要把方向拿过来用。
不需要模仿：跨模式迁移
Section 4.1 的分析是这篇论文最精彩的部分之一。标准 OPD 文献认为，成功的蒸馏需要学生和教师在 top-k token 上有越来越高的重叠——学生在逐步进入教师的高概率 token 空间。
Direct-OPD 打破了这个条件。论文用了两个教师对：R1-Distill-1.5B → JustRL-1.5B（同模式）和 Nemotron-1.5B → QuestA-Nemotron-1.5B（跨模式）。跨模式迁移中，学生和教师的 top-k 重叠度始终很低，也不随训练上升——但迁移仍然有效。
这说明 Direct-OPD 不是在让学生"变成"教师，而是在让学生"在自己的分布内，朝着教师 RL 发现的方向倾斜"。学生保留自己的思考模式，只接受方向性调整。
短视野训练，长视野泛化
Section 4.2 的另一个反直觉发现：Direct-OPD 训练只用 2k token 的短响应，但效果能泛化到 16k 的长 rollout。
论文用一个"累积偏移差距" \(G_T\) 来度量：在固定 64 条长 rollout 上，学生的 top-16 token 在教师偏移方向上的累积移动。结果是：只训练了 2k 长度的学生，在 16k 位置上的 \(G_T\) 仍然显著高于未训练的基线。
更反直觉的是：6k 训练长度在 \(G_T\) 上移动得更远，但验证分数反而更差（45.6% vs 2k 的 48.8%）。原因可能是：长 prefix 上小模型教师对越来越 off-distribution，log-ratio 变大但不可靠；2k 长度恰好避开了这些噪声区域，又捕获了可靠的早期方向信号。
这和人类学习有类比：短时间高强度的正确方向训练，比长时间在噪声区域里乱撞更有效。
顺序组合：RL 方向的加法
Section 3.3 展示了一个有趣的能力：两个独立学到的策略偏移可以顺序施加到同一个学生上。
先用 JustRL 的偏移训练 Qwen3-1.7B，再用 QuestA 的偏移继续训练。AIME 2024 从 48.3% → 62.4%（JustRL）→ 63.8%（+QuestA）。两次偏移各自贡献了 +14.1 和 +1.4。
这说明不同 RL 运行学到的是不同方向的能力改进，Direct-OPD 可以把它们像积木一样叠加。这为未来的"RL 方向库"提供了想象空间：跑多个小模型 RL，各取所长，顺序迁移。
开源代码
论文配套代码已开源：github.com/BytedTsinghua-SIA/Direct-OPD，基于 verl 框架。模型权重和训练产物在 HuggingFace 上发布。代码包含完整的训练脚本、评估流程和自适应 KL 控制器实现。
我的思考：这改变了什么
Direct-OPD 的意义不只是"省了几张 GPU 卡"。它改变的是 RLVR 的经济学模型。
当前的 RLVR 是"每个新模型都要从头跑一遍 RL"——模型越大，rollout 越贵，训练越慢。这导致 RLVR 成了大厂的特权，小团队只能用 SFT。
Direct-OPD 提出了一种分工：小模型负责"发现 RL 方向"（便宜、快、稳定），大模型负责"在自己基础上吸收这个方向"（短时、低算力、高保真）。这把 RLVR 从"每个模型都要重新发现"变成了"一次发现，多次复用"。
更深层地，这篇论文把"RL 训练后的 checkpoint 对"从"一个训练产物"提升为"一个隐式奖励模型的存储介质"。一对 checkpoint 就是一个 reward model，不需要额外训练，不需要标注数据，只需要一次 RL 运行。这个视角的转换，可能比 Direct-OPD 本身更有长期价值。
当然，论文也有局限：目前只在数学推理上验证，跨领域（代码、多语言、工具使用）的迁移效果未知；小模型教师对的选择仍然需要经验；自适应 KL 控制器只是初步设计，更精细的控制策略可能还有空间。
但作为一个"把 RL 的产物变成可迁移资产"的框架，Direct-OPD 已经足够清晰、足够实用、足够反直觉。
---
论文: arxiv.org/abs/2607.05394
代码: github.com/BytedTsinghua-SIA/Direct-OPD
模型: huggingface.co/BytedTsinghua-SIA
