**dOPSD:基于策略自蒸馏提升扩散语言模型推理能力**

_dOPSD: On-Policy Self-Distillation for Diffusion Language Models_

> 针对扩散大语言模型(dLLMs)在强化学习和监督微调中面临的暴露偏差及奖励稀疏问题,研究提出dOPSD方法。该方法利用模型自身的去噪轨迹作为教师信号,提供密集的令牌级策略内监督,从而在数学推理和代码生成任务上显著优于基线模型。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-07-07 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2607.04428)