Exploration-Distillation 防止 RL 中通用能力退化，匹配时间下优于 RND

Exploration-Distillation（ExpDis）把学生模型与探索者的退化隔离开来，从而防止在 RL 中直接使用 novelty bonus 时出现的通用能力与知识退化。实验显示，将 ExpDis 与随机网络蒸馏（RND）结合，在匹配的墙钟时间下能取得更好的 RLVR 效果。这些增益在 pass@k（大 k）下持续甚至增长，表明提升的是多样性而非单纯的 sharpening。