DAPD: Dual-Anchored Policy Distillation

Работа выявляет режим отказа «иллюзии привилегии» в on-policy self-distillation, когда student-модель учится полагаться на привилегированную информацию учителя, доступную только во время обучения, но не в инференсе. DAPD устраняет это с помощью dual-path anchoring и dual-source anchoring, превосходя предыдущий on-policy self-distillation в среднем на +2.00 балла по шести бенчмаркам на Qwen3-4B.