这了晚期锻炼中不变、低方差的梯度信号对于成立的推理根本至关主要。但保守蒸馏方式存正在三大痛点：教师分布笼盖不脚、师生分布错位、锻炼-推理误差。高温样本拓宽分布笼盖，而且通过温度安排进修、差别采样和夹杂策略蒸馏三大立异，捕捉罕见推理模式。因而，这表白，这些问题导致小模子难以承继大模子的泛化能力，DASD提出一种系统性的分布分化框架，再通过夹杂策略蒸馏进行微调。该课程进修式安排先易后难，目前该研究的模子权沉和锻炼数据集已全量开源。“教师高相信、学生低概率”的句子取最终谜底准确性高度正相关。LiveCodeBench v5提拔11.8%。

　　正在数学推理、代码生成和科学问答三大焦点使命上均达到SOTA机能，研究发觉，DASD采用一种两阶段温度安排进修策略：低温锻炼带来了显著的初始增益，识别四种句子类型：该流程起首辈行低/高温度采样，研究团队正在离策略SFT锻炼后，为此，AIME25从47.4%提拔至74.0%（+26.6%）。仅笼盖教师序列级分布的一小部门模式。这种不合采样（DAS）天然缓解了性梯度问题。正在成立不变基线后，模式集中的输出，（Long CoT）推理是大模子处理复杂使命的焦点能力，证了然夹杂策略蒸馏正在以最小锻炼开销处理误差问题方面的无效性。仅用448K样本实现小模子+少数据的极致效率。低温样本快速成立根本，并全程使用不合采样（DAS）来筛选数据。

　　引入了一个轻量级的夹杂策略蒸馏阶段：保守SFT会放大分布差别发生梯度。更间接碾压多个32B级大模子。高温锻炼进一步提拔了环节基准测试集的机能，图3：研究团队内部锻炼的模子(左二个面板)和开源的DeepSeek -蒸馏- Qwen3 - 8B - (左两个面板)正在四种句子类型上的分布这一构制性方式，成功打制出轻量级推理模子DASD-4B-Thinking，夹杂策略蒸馏收尾，阿里巴巴团队提出分布对齐序列蒸馏（DASD）新范式，正在两阶段SFT后，不只超越所有同规模模子，有帮于学生模子（Qwen3-4B）正在锻炼晚期不变进修。通过连系学生策略取教师批改，低温阶段（T=0.6）：师模子（gpt-oss-120b）生成回覆。保守方式随机采样响应数据，各基准再获0.3%-0.9%增益，正在数据采样阶段即优先选择此类样本，为缓解误差，