FSPO：面向策略优化的函数空间时序自蒸馏框架

研究者提出 Function-Space Policy Optimization（FSPO），一种单策略框架，通过存储稀疏历史 next-token 分布作为固定时序目标，避免维护持续演进的教师模型。在推理与工具使用基准上，FSPO 在 5 小时训练预算下取得最高平均准确率，较最强基线平均提升约 4 个百分点，并将 Olmo3-7B-Instruct 的峰值内存从约 70 GB 降至 56 GB。