GAD-RL：用门控与衰减的在线策略蒸馏提升 OCR 忠实度

GAD-RL 在联合后训练中按学生当前任务表现与局部分布动态调节教师监督：任务奖励至少 0.95 的响应组直接关闭蒸馏，组均奖励升高时持续衰减蒸馏强度，并用学生给出教师 Top-1 token 的概率加权 forward KL，从而提升视觉语言模型的 OCR 转录忠实度。