Систематическое исследование он-полсиной дистилляции (OPD) выявляет её как катализатор исследования, который направляет студентов через плотное токеновое руководство без расширения потолка возможностей. Исследование подтверждает, что эффективность OPD полностью зависит от качества направляющего сигнала, а не от разнообразия промптов или количества выборок на задачу.
- Несоответствие студента и учителя: Большой распределительный разрыв вызывает несогласованность с правильностью задачи, направляя исследование контрпродуктивно.
- Эксплуатация длины: Агрегированные цели создают кратчайшие пути, позволяющие студентам обманывать награды через усечение или дополнение.
- Регулирование сигналов: Ограничение преимущества и логарифмическое сжатие успокаивают эти патологии, обеспечивая верное руководство.
Эксперименты на семи бенчмарках показывают, что эти регуляции смягчают эксплуатацию длины и стабильно превосходят варианты OPD и базовые линии RLVR, подтверждая, что хорошо регулируемое качество сигнала управляет успешным исследованием.