# 长度自蒸馏

该工作把强化学习后训练中「已解出查询的响应被无谓拉长」定义为长度缩放税（LST），并提出长度自蒸馏（LSD）：用当前 rollout 组的正确率把已解出提示路由到在线策略蒸馏、未解出提示保留原 RLVR 目标，教师是同一策略谱系的指数滑动平均检查点、无需外部模型，在单轮推理上把 LST 从 19.0% 降到 -3.7%、在多轮智能体任务上从 31.4% 降到 13.7%，同时平均 Pass@1 与 RL 相当或更好。

该工作把强化学习后训练中「已解出查询的响应被无谓拉长」定义为长度缩放税（LST），并提出长度自蒸馏（LSD）：用当前 rollout 组的正确率把已解出提示路由到在线策略蒸馏、未解出提示保留原 RLVR 目标，教师是同一策略谱系的指数滑动平均检查点、无需外部模型，在单轮推理上把 LST 从 19.0% 降到 -3.7%、在多轮智能体任务上从 31.4% 降到 13.7%，同时平均 Pass@1 与 RL 相当或更好。