arXiv 2026年10月12日蒸馏不再只认更强的老师：任务训练出的策略差能跨模型传，规模差几乎传不动同一条策略差能否迁移取决于目标模型：Qwen3 目标增益为正，Qwen2.5 目标在 Qwen3 参考下几乎为零，换成 Qwen2.5-3B 参考后转为正增益。同一条策略差能否迁移取决于目标模型：Qwen3 目标增益为正，Qwen2.5 目标在 Qwen3 参考下几乎为零，换成 Qwen2.5-3B 参考后转为正增益。Zhejiang UniversityFudan UniversityAustralian National UniversityRenmin University of ChinaRong Wu（第一作者）#任意到任意策略迁移#在线策略蒸馏#隐式奖励#大语言模型