Hugging Face TRL 支持 MOPD 多教师在线策略蒸馏

Hugging Face TRL 正式支持 MOPD（多教师在线策略蒸馏），可在一次 RL 训练中融合数学、代码、指令跟随和工具使用等能力。训练流程包括通用 SFT、按领域训练专家教师，以及由专家教师逐 token 打分并通过 reverse KL 更新学生模型。