SAPD：步对齐特权蒸馏，无需 rollout 的离线后训练方法

SAPD 是一种无需 rollout 的自蒸馏方法，将固定演示转化为步对齐的分布监督，用参考解的已知进展为每个推理步骤提供针对性特权指导。在数学推理基准上，其平均表现优于监督微调和标签平滑，与同策略强化学习及自蒸馏相当，并保留域外代码能力，训练循环速度约为同策略基线的 2 倍。