**SAF-OPD：稳定优势融合实现在线策略蒸馏**

_SAF-OPD: Stable Advantage Fusion for On-Policy Distillation_

> HuggingFace社区论文提出SAF框架，通过稀疏化压缩与预热退火机制解决强化学习验证奖励（RLVR）与在线策略蒸馏（OPD）融合时的熵坍塌问题。在Qwen3系列模型上的数学推理与代码生成任务中，该方法较固定系数融合策略提升0.51%-2.70%，训练更稳定。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-08-03 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.29209)