超越绝对模仿：用于特权同策略蒸馏的锚定残差引导

同策略蒸馏（OPD）通过对齐学生模型与其自身轨迹上的教师预测分布，增强了大语言模型的复杂推理能力。特权 OPD 利用包含预言机轨迹等特权信息的自教师模型进一步强化该范式。然而，现有方法将特权信息视为单一模仿目标，未能解耦局部可达的推理步骤与未来条件的预言信号，导致学生模型产生后视偏差并跳过有效的中间推理。为此，本文提出锚定残差同策略蒸馏（AR-OPD），通过部分特权教师建立局部兼容锚点，并将预言前瞻作为受控残差注入。实验表明，该方法在多种推理任务中显著优于基线，有效减少后视泄露并提升长程轨迹性能。