论文实证：on-policy distillation 可容忍量化推理与异步 rollout 的训练-推理失配

论文实证显示，on-policy distillation（OPD）可在不显著降低训练质量的前提下，容忍量化推理与异步 rollout 带来的训练-推理失配。研究考察 3 组 student-teacher 对，并测试权重陈旧与噪声注入，提出经验性的「失配预算」和轻量级 admission check，同时给出利用容忍度的 FP8 配方。