docs: 第三章勘误——off-policy 切片是数据轨迹上的 KL 蒸馏而非混 SFT；补 prompt-only 下静默空转的说明

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

docs/03-whitebox-opd.md

@@ -57,7 +57,7 @@ server 路径更粗：teacher 只回传 top-k logprobs 三张表（DT:2676-2679
 ### 2.5 buffer 与 on-policy 生成（DT:846-932, 1071-1263）
 
 - `_RepeatBatchDataLoader` 把同一 collated batch 重复 `gradient_accumulation_steps` 次（DT:346-371），`_fill_buffer` 按**切片级**伯努利抽签 on/off-policy（`random() <= lmbda`，DT:879，主进程抽签后广播）。
-- **off-policy 切片用数据集自带 completion**（DT:893-894），不是 teacher 采样——SFT 数据混训，非蒸馏。
+- **off-policy 切片 = 在数据集自带 completion 的轨迹上做 KL 蒸馏**（DT:893-894 原样保留数据轨迹；损失仍是 KL，不是交叉熵）——GKD 的 λ 插值本义：λ=0 离线蒸馏、λ=1 纯 on-policy。两个易误解处：轨迹不是 teacher 现场采样的；DAPO prompt-only 下这些切片 labels 全 -100，KL 被掩码归零 = **静默空转的算力浪费**（唯一例外：`lmbda=0`+server 触发 teacher 生成，DT:901-906，即层 1 SFT 的数据来源）。
 - on-policy 切片：vLLM colocate 生成（按 `vllm_sync_frequency` 同步权重，DT:1094-1106）或 `model.generate`（DT:1113-1168）；生成结果重建 input_ids/labels 写回 buffer（DT:1170-1263，labels 只在 completion 段有效）。
 - loss 前向是对已生成序列的 teacher-forcing（DT:2883）——"采样一次、前向算分布"，GKD 标准做法。
 
@@ -70,7 +70,7 @@ server 路径更粗：teacher 只回传 top-k logprobs 三张表（DT:2676-2679
 | 坑 | 位置 | 说明 |
 |----|------|------|
 | `lmbda=1 + no_teacher` 穿过守卫后在深处崩 | DT:2872 vs DT:2593 | 报错文案宣称合法，实际必崩——守卫条件写错 |
-| off-policy ≠ teacher 蒸馏 | DT:893-894 | 语义上是"混 SFT"，文档易误读 |
+| off-policy ≠ "teacher 采样的离线数据" | DT:893-894 | 轨迹来自数据集固有 completion（损失仍是 KL）；prompt-only 数据下整个切片被掩码归零，静默空转 |
 | `num_generations>1 且 lmbda<1` 会造重复样本 | CFG:593-596 | 官方注释自己承认 |
 
 ## 3. 与式(2) 的偏差清单（默认配置下）