核了原文：arXiv:2607.04751，2026-07-06 提交，标题 Trust Region Policy Distillation（TOP-D），四位作者 Zhengpeng Xie、Li Lyna Zhang、Zeke Xie（通讯）、Mao Yang，港科大广州加微软的组合，和帖子列的一致。
摘要层面能确认的：proximal teacher（近端老师）；把臭名昭著的高方差在线蒸馏变成稳定范式；严格证明梯度方差天然受控；全局收敛分析加单调改进界；零额外计算开销——帖子说的「概念上多一个老师，计算上一个字都不多」就是最后这条。
帖子里的具体数字（AIME24 从 24.58 到 50.42、AIME26 从 25.42 到 44.06、惩罚封顶 log 0.3 约负一点二、α 取 1 退化为原始蒸馏）出自论文 Table 2 与正文，摘要不含这些数，按帖子给的信源标注明细。一处口径提醒：帖子开头说「上个月一篇论文测了它」——这篇论文本身 7 月就提交了，那个 24.58 的尴尬基线正是论文自己的 OPD 对照组，「上个月」是帖子作者的记忆时点，不是论文的发表时间。
信任域这条脉络帖子说得准：TRPO 限制「更新步子迈多大」，这篇把同一思路从步子挪到了「老师本身离学生多远」。老师太远，学生够不着；掺上三成学生，老师就在伸手可及的地方。
卡上画的是那道悬崖：惩罚的对数顺着岩壁冲下去，直落负无穷；近端老师在崖底拉了一张金色的网，把它接在负一点二。崖顶站着学生，手里举着一个离谱的词。