Gặp người học ở đúng trình độ: Thích ứng giáo viên bằng tiền tố của học sinh cho chưng cất on-policy

Chưng cất on-policy (OPD) giảm độ lệch phơi nhiễm của học sinh bằng cách tối ưu trên các quỹ đạo do học sinh tạo ra. Tuy nhiên, các tiền tố này có thể chứa lỗi suy luận hoặc những mẫu mà giáo viên chưa quen thuộc, làm suy giảm độ tin cậy của tín hiệu giám sát theo từng token.