f-OPD：用新鲜度感知控制稳定长时程在线策略蒸馏

针对大语言模型在线策略蒸馏（OPD）中异步执行与在线策略目标偏离的矛盾，研究者将目标偏差分解为 rollout 漂移与监督漂移，并提出样本级新鲜度分数来衡量缓冲样本的可靠性。基于该信号提出的 f-OPD 框架可自适应调节陈旧样本影响并约束异步训练中的策略漂移，在推理、工具使用和编码智能体任务上取得与同步优化相当的性能，同时基本保留异步执行的吞吐优势。该工作已被 NeurIPS 2026 接收。