OPDVR：用可验证奖励改造 on-policy 蒸馏，无需额外超参数

研究者提出 OPDVR，将 on-policy 蒸馏（OPD）与可验证奖励强化学习（RLVR）无缝结合且不引入任何额外超参数。该方法先基于轨迹正确性重构采样 token OPD 的隐式奖励，再用 ReLU 门控让正确轨迹获得非负奖励、错误轨迹获得非正奖励，从而把采样 token OPD 变成标准 RLVR 方法，可直接搭配 GRPO 等策略梯度算法。