SPSD：MuZero 自博弈搜索蒸馏将 LLM 数学成绩从 24.1 提升至 36.6

SPSD 论文提出让 MuZero 专家通过棋盘游戏自博弈训练，再将搜索过程蒸馏为 LLM 推理轨迹，使数学任务成绩从 24.1 提升至 36.6。蒸馏出的推理能力还能迁移至未见过的游戏；团队此前探索的 MCTS 轨迹蒸馏思路也指向跨领域汇聚。