开发者航班上写出最小化 on-policy 蒸馏配置，聚焦训练工程化实现

开发者 barrowjoseph 用一段航班时间从零搭出最小化 on-policy 蒸馏训练配置，重点不是算法而是训练的工程化：如何启动与扩展流程。他称生产环境直接用 Prime Intellect 的 prime-rl 或 Hugging Face 的 TRL 等成熟框架即可，这套极简实现的价值在于拆开 on-policy 蒸馏的工程细节，便于理解底层机制。