亚马逊与杜克大学研究：仅监督 1 个 token 也能有效提升大模型推理

亚马逊与杜克大学的研究在 On-Policy Distillation 场景下，对每条数千 token 的 rollout 仅随机保留 1 个 token 的梯度信号（约 0.025%），学生模型推理能力仍显著提升。