亚马逊与杜克大学研究：万分之一稀疏监督即可提升大模型推理能力

亚马逊与杜克大学的研究提出极端稀疏监督方法，在 OPD 后训练中每条 rollout 仅随机保留一个 token 的梯度信号，学生模型推理能力仍显著提升。研究基于 Qwen3 系列构造 9 组教师—学生配置，并跨代码推理、Llama 系列和 PPO 的 RLVR 验证了该现象。