#Agentic-OPD

做 RL 训练智能体的朋友值得看：你每次只留 best checkpoint，其实丢掉了一堆各有所长的老师。这篇用 on-policy distillation 把它们榨出来，4B 小模型在 deep search 上干过了 GPT-5.6 和 DeepSeek-V4.1，还不花额外训练成本。