📖标题：Understanding the Synergy between SFT, RLVR, and OPD in LLM Post-Training🌐来源：arXiv, 2609.31900v1🛎️文章简介🔸研究问题：在大模型后训练中，监督微调（SFT）、可验证奖励强化学习（RLVR）和在线策略蒸馏（OPD）通常被串联使用，但如何安排这些阶段的顺序和搭配才能避免“好心办坏事”，让每一步都为下一步创造更好的学习条件？🔸主要贡献：论文揭示了后训练各阶段之间存在强烈的相互依赖关系，提出了一套基于“学习接口”优化的组合策略，即先用RLVR增强教师模型，再短暂SFT预热学生模型，最后进行OPD蒸馏，显著提升了最终性能。📝重点思路🔸通过控制变量实验，系统研究了Qwen3系列模型在数学和科学推理任务上，SFT、RLVR和OPD三个阶段在不同顺序和配置下的交互影响。🔸引入“可强化分数”作为衡量师生模型兼容性的新指标，发现蒸馏效果取决于师生配对兼容性，而非单纯依赖教师模型的规模或参数量。🔸对比了不同学生预热方式对后续OPD的影响，发现短暂的SFT预热能拉近学生与教师的分布，而经过RLVR强化的学生虽然能力强，但在面对同一教师进行蒸馏时反而会出现性能回退。🔸研究了教师模型适配对蒸馏的影响，发现用RLVR提升教师能力能有效传递给学生，且学生增益与教师能力提升成正比，直到教师性能达到瓶颈。🔸比较了OPD和SFT作为后续RLVR初始化的效果，发现在起始准确率相当时，OPD能为后续的RLVR提供更好的初始化状态，支持更强的扩展性。🔎分析总结🔸单纯增加教师模型规模并不总能提升蒸馏效果，甚至可能因兼容性差导致效果下降；师生模型的初始兼容性比教师绝对能力更重要。🔸学生能力的提升不等于可蒸馏性的提升。RLVR虽能大幅提升学生独立解题能力，但会破坏其与教师的分布一致性，导致后续OPD
