2026开年关键词：Self-Distillation，大模型真正走向「持续学习」

来源：市场资讯

（来源：机器之心）

机器之心编辑部

2026 年刚拉开序幕，大模型（LLM）领域的研究者们似乎达成了一种默契。

当你翻开最近 arXiv 上最受关注的几篇论文，会发现一个高频出现的词汇：Self-Distillation。

近年来，基础模型取得了显著的成功，为语言、视觉、机器人等领域的 AI 应用提供了强大的支持。

但在真正落地、长期使用的过程中，研究者逐渐发现：如何让模型在不断吸收新知识的同时，不丢失已有的核心能力 —— 即「持续学习」，正成为制约大模型进化的关键瓶颈。

传统的强教师依赖范式因成本与数据依赖，难以适配高频的持续进化。Self-Distillation（自蒸馏） 随之成为破局点 —— 通过合理的上下文引导或反馈机制，模型完全可以构建出一个比当前权重更聪明的临时自我，让模型在没有外部强教师的情况下实现内生增长。

基于这一深刻洞察，由 MIT、ETH Zurich、Meta 及斯坦福等顶尖机构组成的紧密学术圈，在 2026 年 1 月密集发布了三项研究成果。

1.Self-Distillation Enables Continual Learning

• 论文标题：Self-Distillation Enables Continual Learning

• 论文链接：https://www.alphaxiv.org/abs/2601.19897

• 代码链接：https://github.com/idanshen/Self-Distillation

在持续学习领域，传统的监督微调（SFT）常因 「灾难性遗忘」 备受诟病，它的副作用非常明显：当你教模型学会一套新的知识，它原有的代码能力或常识推理往往会发生断崖式下跌。

研究团队提出了一种自蒸馏微调（SDFT）方法，该方法能够直接从演示中实现基于策略的学习。

核心机制： 该方法假设预训练模型已具备强大的 ICL 潜力。在学习新知识时，首先构造包含少量专家演示（Few-shot）的上下文，诱导模型生成高质量的教师分布；随后要求模型在不带演示的情况下，通过自蒸馏去拟合这一分布。

技术突破： 该方法将持续学习转化为一个 策略内对齐问题。由于训练信号源于模型自身的 ICL 状态，它能最大限度地保持模型原始的概率流分布，避免参数在微调过程中产生剧烈漂移，从而解决了监督微调（SFT）中常见的灾难性遗忘。

在技能学习和知识获取任务中，SDFT 的表现一致优于 SFT：它不仅实现了更高的新任务准确率，还显著减少了灾难性遗忘。在顺序学习实验中，SDFT 使单一模型能够随时间累积多种技能而不会出现性能退化，证明了同策略蒸馏是从演示中实现持续学习的一种实用路径。

2.Reinforcement Learning via Self-Distillation

• 论文标题：Reinforcement Learning via Self-Distillation

• 论文链接：https://arxiv.org/pdf/2601.20802

• 代码链接：https://github.com/lasgroup/SDPO

目前的强化学习（如 GRPO）通常只能拿到一个二值反馈，这在长程推理中会导致严重的「信用分配」问题。此外，在 GRPO 等算法中，如果模型在某组尝试中全军覆没（奖励均为 0），学习信号就会消失，导致模型进化停滞。

研究团队认为，问题的关键并不在于强化学习本身，而在于常见的二值反馈信息密度极低，无法为长逻辑链条提供精细的指导。

针对这一困境，研究团队提出了 SDPO（自蒸馏策略优化） 框架，旨在将环境中的 「富反馈」 转化为高效的学习信号。

RLVR 与 RLRF 强化学习范式对比

核心机制： SDPO 引入了 富反馈（Rich Feedback） 环境。当模型生成错误答案时，环境会返回具体的报错信息（如逻辑判读）。模型将这些报错信息重新注入上下文，作为一个 「自省教师」 来重新审视并校准之前的错误尝试。

技术突破： 该方法通过自蒸馏机制，将原本模糊的标量奖励转化为 Token 级的密集监督信号。通过对比 「反馈后分布」 与 「初始分布」 的差异，SDPO 能精准定位导致失败的关键 Token，指引模型降低错误路径的概率，并提高修正后逻辑的置信度。

在极难任务（左图）中，SDPO（绿线）展现了极高的采样效率，仅需约 1/3 的尝试次数（3× speedup）即可达到其他算法的解发现率。而在整体训练维度上，它能以更少的样本量快速收敛，在 k=1000 时已能解决 70% 的困难任务，显著突破了传统算法的性能瓶颈。

在 LiveCodeBench 等竞赛级编程测试中，SDPO 展现了惊人的学习效率：它仅需传统 GRPO 算法 1/4 的生成样本量 即可达到同等精度。它证明了即便没有外部强教师，模型也能通过利用环境反馈进行深度自省，从而打破标量奖励带来的进化僵局。

3.Self-Distilled Reasoner:

On-Policy Self-Distillation for Large Language Models

• 论文标题：Self-Distilled Reasoner: On-Policy Self-Distillation for Large Language Models

• 论文链接：https://arxiv.org/pdf/2601.18734

在复杂推理任务中，大模型往往面临搜索空间过大、奖励信号稀疏的问题。尽管强化学习能提升模型上限，但在没有外部 「强教师」 辅助的在线学习场景中，模型很难在短时间内找到通往正确答案的深层逻辑路径。

研究团队提出了 OPSD（策略内自蒸馏） 框架，通过在同一模型内部构建 「信息不对称」 来引导自我进化。

OPSD 框架概览

核心机制： 该框架将模型配置为两种状态。教师策略在输入中包含 「特权信息」（如标准答案或经过验证的推理轨迹），能够产生高质量的 Token 概率分布；而学生策略则在不接触特权信息的情况下仅凭题目进行作答。

技术突破： OPSD 采用 策略内（On-Policy）采样，核心训练目标是最小化学生分布与教师分布之间的 KL 散度。这种设计强制模型在不借助外部参考的情况下，通过内生分布的对齐，学会如何从题目直接推导出具有逻辑深度的推理链路。

在 MATH 和 GSM8K 等高难度推理基准测试中，OPSD 展现了极高的学习效率：它在 Token 利用率上比传统的 GRPO 算法高出 4-8 倍。实验证明，SFT 虽然能提供初始方向，但 OPSD 能够更进一步地挖掘模型内在的“推理潜力”，证明了通过特权信息诱导出的自我博弈，是实现推理能力飞跃的一条捷径。

这三篇论文核心逻辑高度一致：利用模型已有的内生能力，通过不同的上下文构造出 「信息差」，从而实现自驱动的闭环升级，Self-Distillation 正在成为大模型后训练阶段（Post-training）的标准配置。

2026 年，也许我们不再需要教模型怎么变强，只需要给它一个「持续学习」的机会。