在线策略蒸馏教会新技能，却教不会新知识

在线策略蒸馏（OPD）能强化语言模型推理，但学生模型是否获得新事实知识一直不明。研究用可控合成框架分离事实知识与组合技能，在三个模型族的四个模型上发现：reverse-KL OPD 能可靠迁移组合技能，却几乎不迁移事实知识。改用 forward KL 可恢复事实迁移，学生 rollout 则专门提升多步推理执行；近期事实 QA 与竞赛数学实验也显示同样不对称，OPD 带来推理提升但未扩展参数知识。