FSPO：函数空间时间自蒸馏让 7B/8B 模型推理训练更快更省

新论文提出函数空间策略优化 FSPO，结合时间整合与特权适配来改进推理与工具使用策略优化。在 Qwen3-8B 和 Olmo3-7B-Instruct 上，5 小时训练预算内五项任务 avg@16 达 76.2 和 72.4，超过 GRPO（Qwen3-8B 为 70.4）与 SDPO 基线。平均生成 token 与显存占用更低，实验用 4 张 NVIDIA GH200。