深度分析 Reinforcement Learning with Self‑Distillation（RLSD）：結合可驗證回饋的推理模型訓練策略 企業與學界提出 RLSD（Reinforcement Learning with Self-Distillation），旨在解決推理模型訓練中常見的回饋稀疏與自蒸餾資訊洩漏問題。RLSD 將可驗證環境回饋用來決定學習方向（強化或懲罰），同時把模型自身作為老師來分配逐詞的權重和更新幅度，達到方向可靠但幅度細緻的雙重效果。
