午方 AI 關注到，在大型語言模型微調領域，基於策略的採樣技術正成爲防止性能退化並增強問題解決能力的核心手段。相較於強制模型記憶標準答案的傳統監督式微調，在線策略蒸餾與強化學習允許模型在自動生成的嘗試路徑中自主優化，從而有效規避錯誤累積並保留原有知識結構。實驗數據顯示，在'最小代碼修改量'測試中，經策略指導的學生模型生成正確代碼的成功率分別達到 80.0% 與 78.7%，均超越其對應的指導模型，證明了該方法能有效過濾不良指導模式。目前，DeepSeek-V4 與 GLM-5 均已部署基於策略的蒸餾技術以整合專家模型能力。其中，編程與數學等具有明確對錯標準的領域更適宜採用強化學習，而依賴創造性思維或海量知識的任務則更適合策略蒸餾。未來微調算法的發展，預計將圍繞構建兼顧蒸餾效率與強化學習客觀性的策略訓練框架展開。