OnlineQAT用学生自生成前缀上的在线策略蒸馏，把Qwen3-1.7B的W3A16六任务均值提升到57.28，超过ReasoningQAT 2.90分
OnlineQAT提出两阶段超低位恢复框架：先用分块量化感知训练得到可用的W2/W3初始化，再在量化学生自己生成的响应前缀上，由冻结的全精度教师提供采样反向KL信号做在线策略蒸馏；在Qwen3-1.7B上，其六任务均值在W3A16达57.28、W2A16达32.52，分别比ReasoningQAT高2.90和0.44分，说明学生实际访问的状态能提供固定补全训练之外的恢复信号，三比特下尤为明显。