ऑन-पॉलिसी डिस्टिलेशन (OPD) का एक व्यवस्थित अध्ययन इसे एक अन्वेषण उत्प्रेरक के रूप में पहचानता है जो छात्रों को घनी टोकन-स्तर मार्गदर्शन द्वारा निर्देशित करता है, क्षमता छत को विस्तारित किए बिना। शोध पुष्टि करता है कि OPD की प्रभावशीलता पूरी तरह से मार्गदर्शक संकेत की गुणवत्ता पर निर्भर करती है, न कि प्रॉम्प्ट विविधता या प्रति-समस्या सैंपलिंग संख्या पर।
- छात्र-शिक्षक असंगति: एक बड़ी वितरण अंतराल कार्य सटीकता के साथ असंगतता का कारण बनता है, अन्वेषण को विपरीत दिशा में निर्देशित करता है।
- लंबाई का शोषण: एग्रीगेटेड उद्देश्य शॉर्टकट बनाते हैं जो छात्रों को टंकन या पैडिंग के माध्यम से पुरस्कारों को खेलने की अनुमति देते हैं।
- संकेत विनियमन: एडवांटेज क्लिपिंग और लॉग-स्केल कंप्रेशन इन रोगाणुओं को शांत करते हैं, विश्वसनीय मार्गदर्शन सुनिश्चित करके।
सात बेंचमार्क्स पर प्रयोगों से पता चलता है कि ये विनियम लंबाई के शोषण को कम करते हैं और OPD विकल्पों और RLVR बेलाइनों को स्थिर रूप से अतिक्रमण करते हैं, यह पुष्टि करते हुए कि अच्छी तरह से विनियमित संकेत गुणवत्ता सफल अन्वेषण को नियंत्रित करती है।