论文精选73°09:30奖励对齐的同策略蒸馏方法论文提出RA-OPD解决教师模型误导问题，在数学和代码基准上显著提升性能。#RA-OPD#Qwen3#DeepSeek-R1#同策略蒸馏aarXiv: DeepSeek@Siyuan Gan 等 8 人原文稍后读已读值得跟进有用关注 RA-OPD