用门控蒸馏让RL策略迁移更精准

传统策略蒸馏只拿RL训练前后的终点差异当监督信号，但教师模型中间过程可能反复横跳——早期学到的偏好后期又被覆盖，终点差值看着很大，实际信息熵很低。这篇论文的门控机制本质上是在做"时间维度上的梯度一致性检验"，跟模型融合里的权重平均（如Model Soups、Exponential Moving Average）有相通之处，但用在蒸馏场景是新的。

实验显示在推理任务上提升显著，但论文没明确说用了多大的教师模型、学生模型压缩比多少。如果7B蒸馏到1B能有这个效果，端侧部署价值很大；如果是70B到7B，意义就窄很多。建议等代码开源后先看teacher-student的size gap和训练步数，再决定要不要跟进复现。

HuggingFace上449赞但仅3条评论，说明社区"觉得有用"但还没人跑通，窗口期大概一到两周。