Prune-OPD：面向长程推理的高效可靠在线策略蒸馏

在线策略蒸馏（OPD）利用密集教师奖励增强推理模型，但在长程任务中，学生生成前缀偏离教师思路会导致奖励失效及计算浪费。本文提出 Prune-OPD 框架，通过实时监控师生预测兼容性检测前缀漂移，动态截断无效生成并重分配计算资源至可靠监督。该方法在保持甚至提升 AMC、AIME 等基准性能的同时，显著减少训练时间，实现了计算预算与监督质量的动态对齐。