#MOPD

研究Qwen3如何整合多个RL训练教师，发现梯度传递和参数更新的关键机制。

这篇用一个可控环境拆解了AI长程规划的训练机制，发现次优数据会拖累性能，多教师蒸馏能整合不同能力，值得做训练方法的人细读。