新论文：OPD 推理训练后再追加 RL 效果更佳

一项入选 EMNLP 2026 Findings 的研究（arXiv:2609.04108）系统比较了 on-policy distillation（OPD）与 RLVR 两种推理训练方法。核心发现是：用 OPD 做完推理训练后不要跳过 RL，追加一个 RL 阶段可持续提升性能；在多个推理任务上，OPD→RL 的两段式组合均优于纯 OPD、纯 RLVR 以及联合优化方案。

2026-09-16 ~ 2026-09-16 · 3 条相关

• EMNLP 论文：先 OPD 后 RLVR 两段式训练全面优于联合优化 — xiye_nlp · 2026-09-16
• 新论文:OPD 推理后追加 RL 阶段,效果胜过纯 OPD 与纯 RLVR — gregd_nlp · 2026-09-16
• EMNLP 论文:先 OPD 后 RLVR 两阶段训练,稳定优于联合优化 — xiye_nlp · 2026-09-16