ROPD_official

ROPD 是一个基于评分标准的在线策略蒸馏框架，用于在黑盒教师模型条件下高效蒸馏大语言模型。其核心是通过对比教师与学生响应生成提示特定的语义评分标准（rubric），再由验证器对学生输出进行结构化打分，作为 GRPO 式策略优化的奖励信号；技术上摆脱了对教师 token logits 的依赖，仅需文本级教师响应，支持异构架构间蒸馏。适用于无法获取教师模型内部状态的场景，如商用闭源大模型的知识迁移、私有模型轻量化部署及合规性敏感的模型压缩任务。