Meta 提出两阶段训练法：先做规则蒸馏再做 RL，缓解奖励黑客

Meta 提出 RP-OPD + RL 两阶段训练框架：先用 rubric 作教师模型的特权上下文做在线蒸馏，得到 token 级稠密监督，再以 rubric 为奖励做 RL。