Thinking Machines Lab 提出在线策略蒸馏方法，用更少算力复现 RL 后训练效果

Thinking Machines Lab 发布关于在线策略蒸馏（On-Policy Distillation）的研究：从学生模型采样轨迹，由教师模型逐 token 计算反向 KL 作为密集奖励，结合 RL 的在线策略相关性与蒸馏的密集信号。