CriticOPD：用批评引导的在线策略蒸馏恢复可靠监督

针对在线策略蒸馏（OPD）中教师模型会跟随学生错误、无法从错误前缀恢复正确答案的问题，研究者提出 CriticOPD，利用教师的错误识别能力对错误 rollout 进行批评，让学生据此重写解答，并将批评作为特权信息用于教师打分、学生训练时不使用批评。在两个 Qwen3 学生模型和六个数学推理基准上，CriticOPD 均优于 OPD，在竞赛题上提升最大。