Self-OPD：无需教师模型的流匹配模型同策略蒸馏

Self-OPD 提出一种无需教师模型的流匹配模型同策略蒸馏框架，将学生模型自身的探索转化为逐步监督信号。该方法在每个时间步将确定性下一状态预测分支为 K 个随机 SDE 候选，用 ODE 采样器展开并与确定性自参考基线比较奖励，得到归一化优势，再以全分支 pull-push 目标优化速度场。在单一与混合奖励基准上，Self-OPD 无需任务专用教师即优于此前的 RL 与 OPD 方法。