Self-OPD：无需教师模型的流匹配模型同策略蒸馏框架

Self-OPD 提出一种无需教师模型的同策略蒸馏（OPD）框架，将学生模型自身的随机探索转化为逐步监督信号，避免训练任务专属教师模型的高计算成本及师生分布差异导致的复合误差。该方法在每个时间步将确定性预测分支为 K 个随机 SDE 候选，并与确定性自参考基线比较奖励，通过全分支推拉目标优化速度场。在单一及混合奖励基准上，Self-OPD 均优于此前无需任务专属教师的 RL 和 OPD 方法。