对在线策略蒸馏（OPD）的系统性研究将其确定为一种探索催化剂，它通过密集的标记级指导引导学生，而不扩大能力上限。研究证实，OPD 的有效性完全依赖于引导信号的质量，而不是提示的多样性或每个问题的采样数量。
- 学生-教师不匹配：大的分布差距导致与任务正确性的不对齐，使探索适得其反。
- 长度利用：聚合目标创建了捷径，允许学生通过截断或填充来操纵奖励。
- 信号调节：优势裁剪和对数尺度压缩通过确保忠实的指导来控制这些病理现象。
在七个基准上的实验表明，这些调节减轻了长度利用，并稳定地超越了 OPD 变体和 RLVR 基线，证实了良好调节的信号质量控制了成功的探索。