DIAL-OPD：在在线策略蒸馏中用更少 token 学得更多

DIAL-OPD 是一种在线策略蒸馏的 token 选择方法，按学习价值筛选 token，仅保留 40% 的 token 即优于全 token OPD。在 4 组师生模型对和 7 个数学推理基准上，其平均准确率较 Vanilla OPD 最高提升 5.25 个百分点，AIME25 Pass@16 从 13.33% 翻倍至 26.67%，且较最强基线最高相对提升 18%。