DOPD: Dual On-policy Distillation 论文完整总结+指定章节中英对照翻译一、论文整体核心内容总结1. 研究背景与现存痛点现有在线策略蒸馏（OPD, On-policy Distillation）使用学生模型自采样轨迹，由教师提供逐Token监督，有效缓解离线蒸馏分布偏移问题，是大模型后训练主流方案。但当引入特权信息（Privileged Information）（LLM推理分步提示、VLM视觉标注框等辅助线索）时，传统OPD存在致命缺陷：特权错觉（Privilege Illusion）：师生性能差距分为两类，传统方法无法区分：可迁移能力差距：学生真正需要学习的底层能力；信息不对称差距：仅教师能获取特权输入带来的表面优势，学生无法复刻，强行蒸馏会让模型拟合捷径而非通用能力，引发熵坍缩、探索性下降、后期性能下滑。Token监督均匀化缺陷：所有Token使用完全相同的监督来源、损失权重、对齐目标；但轨迹中只有少量Token承载核心能力信息，大量低价值Token掺杂特权捷径噪声，均匀蒸馏会放大特权错觉。现有OPD三类范式（标准师生蒸馏、自蒸馏、自适应蒸馏）均未显式区分能力/信息差距，缺少动态路由机制，在师生模型尺寸差距大、多
