VISTA：利用结果验证让教师适应学生的同策略自蒸馏

同策略自蒸馏（OPSD）让只看到题目的学生在自身采样轨迹上接受逐词元监督，教师还能看到参考解答。然而，标准OPSD沿学生轨迹把教师分布当作固定目标，只更新学生；额外信息并不保证教师始终提供适合仅凭题目推理的监督。当教师分布与有效的学生推理不一致时，这种单向指导可能误导学生。我们提出VISTA，在保留标准学生更新的同时，用结果经验证的采样轨迹让教师向学生分布适应，并只调整师生KL散度最大的top-k位置。VISTA复用标准OPSD的采样轨迹与损失，不增加采样或独立奖励目标。使用1.7B、4B与8B的Qwen3在AIME24、AIME25和HMMT25上评估，各规模的Avg@12均最高，比OPSD分别提高0.6、0.7和2.1点。这支持利用已验证结果的学生轨迹提供监督，并提示学生到教师的适应可作为OPSD改进方向。