哪个专家教哪个Token？验证器门控的多专家同策略蒸馏

多教师同策略蒸馏OPD正成为整合专长到单一模型的常用方式：先用强化学习训练专家，再在学生自身轨迹上蒸馏。现有做法按序列分配监督，每提示对应一个领域教师、每token同权，隐含教师对整个回答均匀有用。我们发现有效教师信号沿推理轨迹稀疏且异质，因而提出更细问题：谁教哪个token？VG-OPD通过验证回答：专家对某答案标准的反事实增益决定其教学资格，与学生的分歧定位监督，标准重要性决定权重；门控KL作为附加token级优势进入GRPO。以强化学习训练的能力专家用于科学推理时，VG-OPD在4B和8B学生的七个基准上取得最佳整体表现，两种规模均有五项第一，知识密集科学推理增益最大。分析显示，收益来自定位经验证监督，而非增加教师或蒸馏损失；同样监督预算放错位置是破坏最大变化，无差别蒸馏使强化学习低于自身基线，门控蒸馏则提升。