· 19 min czytania
Waypoint-OPD: checkpoint z połowy drogi, który zwykle wyrzucamy
Waypoint-OPD bierze jeden pośredni checkpoint z przebiegu RL nauczyciela 4B i ze zgodności kierunkowej między wczesnym a późnym przesunięciem polityki robi bramkę, która waży sygnał destylacji. Koszt to jeden dodatkowy przebieg scoringu i zero nowych parametrów, a Qwen3-8B zyskuje +2.18 pp na siedmiu benchmarkach matematycznych (56.14 vs 53.96).