同族在线策略蒸馏的 scaling 规律：小教师也能把 RL 能力传给大模型

研究系统考察在线策略蒸馏（OPD）在 weak-to-strong、same-base、strong-to-weak 教师-学生组合下的 scaling 规律：训练早期，学生 holdout 准确率（gold score G）随其相对参考模型的 token 级 reverse KL 平方根近似线性上升。