RLSD: 用自蒸馏和可验证奖励统一策略，解决信息泄露和不稳定性

RLSD: 带自蒸馏的RLVR

将对策略自蒸馏与可验证奖励统一，以修复信息泄露和不稳定性——利用令牌级策略差异进行细粒度更新，同时利用环境反馈获得可靠方向。