On-Policy Self-Distillation（在线策略自蒸馏，常缩写为 OPSD）是一类大模型训练方法：模型在自己当前生成的输出上，将自身或特权教师的知识蒸馏回自身，从而缩小训练与推理之间的分布偏移。它介于传统离线蒸馏与强化学习之间，近一年在持续学习、视觉生成和工具调用推理等场景中被广泛借用，也开始出现针对其有效边界的系统性检视。
On-Policy Self-Distillation 的近期进展
应用扩展与争议焦点
除语言模型外，On-Policy Self-Distillation 正快速渗透到多模态领域：OPD-V（arXiv:2608.05131 关注模态平衡问题），LIFT 则把该思路用于大视角变化下的视频生成布局预测（相关发布），TurnSight（arXiv:2608.04007）在工具集成推理中采用轮次级别的回溯自蒸馏。与此同时，OP-Print（arXiv:2610.31616）尝试追踪 OPSD 过程中留下的成员关系印记，提示这类方法可能带来训练数据记忆层面的隐私与审计问题。
当前焦点与观察点
综合来看，围绕 On-Policy Self-Distillation 的讨论正从「提出新变体」转向「厘清适用条件」：一方面，它在视觉生成、多模态推理等新领域持续扩张；另一方面，批判性综述与 off-policy 对比工作开始质疑其相对离线方法的真实增益。值得关注的是训练数据记忆风险、教师信号的来源与归因，以及在线策略采样带来的额外计算成本是否物有所值——这些将成为判断 OPSD 能否成为长期主流训练范式的关键观察点。