CriticOPD：用批评引导的 On-Policy 蒸馏恢复可靠监督

CriticOPD 提出一种批评引导的 On-Policy 蒸馏方法，让教师用参考答案批评学生错误续写，学生据此重写后续内容，再由教师对重写后的后缀打分而学生不直接看到反馈。该方法在六个数学推理基准上比 OPD 平均准确率提升 4.57 个百分点（Qwen3-1.7B）和 4.06 个百分点（Qwen3-0.6B），竞赛题上增益最大。