DASH：动态自适应自蒸馏 Horizon

Fidelity：核心机制复现。实现局部散度裁剪、stop-gradient gate 与反向 horizon 聚合；候选位置代理 token 位置。

论文信息

字段	内容
论文链接	DASH（arXiv 2608.06243）
公司 / 机构	Nanjing University
首次公开日期	2026-08-06（arXiv v1）
原作者代码	已开源：DBtxy/DASH-OPSD
本地 adapter / 算法键	dash
本地复现代码	src/auto_research/post_training/

原始论文总结

背景与主要改动

普通 OPSD 对每个 token 独立匹配 privileged teacher，难把后续可靠推理对前面决策的信用传回去。DASH 由局部 teacher/student divergence 产生停止梯度 gate，再从后向前递推聚合权重；不增加 teacher forward pass，却获得自适应 distillation horizon。

flowchart RL
 D["clipped local divergence"] --> G["stop-gradient gate"]
 G --> A["backward horizon aggregation"]
 A --> L["weighted OPSD objective"]

原论文关键图

原论文 Figure 2（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ \lambda_t=\operatorname{sg}\sigma[-\kappa(d_t-\bar d)],\qquad A_t=d_t+\lambda_t A_{t+1},\qquad \mathcal L=\frac1T\sum_t A_t. \]

论文离线与线上效果

Qwen3-1.7B 平均分 45.07（OPSD 41.87）；4B 为 65.00（63.60）；8B 为 66.40（64.80）。论文没有生产 A/B。

本地复现

Arithmetic candidate suite、120 steps、seed 42：accuracy 0.2344 → 0.5781（+146.67%），最后 gate mean 0.4822、平均 horizon coefficient 1.5617、额外 teacher forward 为 0。

auto-research post-train --algorithm dash --dataset arithmetic-smoke --maximum-examples 256 --steps 120 --seed 42
auto-research evolve --model post-training --dataset arithmetic-smoke --direction "比较 OPSD 与 DASH 自适应 horizon" --generations 2 --population 4

固定指标见 ../../experiments/dash-arithmetic-seed42.json。

复现边界

候选位置不是完整 token trajectory；未复刻 Qwen3、数学推理语料和多卡训练。