연구진은 기존 온정책 증류(OPD) 방법의 한계를 극복하기 위해 대비적 온정책 증류(COPD) 프레임워크를 제안했어요. COPD는 학생 모델이 두 가지 상반된 지시사항에 따라 생성된 토큰의 상대적 호환성을 비교하는 토큰 수준의 어드밴티지 신호를 활용하여 추론 전략을 학습해요. 실험 결과, COPD는 모델 성능을 저하시키지 않으면서 추론 길이를 줄이고 다양한 작업과 모델 규모에서 효율성을 향상시키는 것을 확인했어요.