Awesome-LLM-OPD：策略蒸馏论文的可视化知识图谱

Awesome-LLM-OPD是一个收录175+篇On-Policy Distillation（策略内蒸馏）论文的可搜索在线图谱，配套ICML 2026综述论文《A Survey of On-Policy Distillation for Large Language Models》（arXiv:2604.00626），提供智能检索、分类浏览和趋势分析功能，旨在解决传统静态论文列表的痛点。

访问链接：https://nick7nlp.github.io/awesome-llm-opd/

大语言模型研究领域发展迅速，OPD细分方向短短几年积累超175篇论文。传统静态论文列表（Awesome List）存在四大痛点：难以快速定位特定方法论文、无法直观展示领域趋势、缺乏跨论文关联分析、更新维护成本高。Awesome-LLM-OPD为此而生。

1. 智能模糊搜索：基于Fuse.js实现，支持标题关键词、作者姓名、方法组件检索，含拼写容错与近似匹配；
2. 组合筛选系统：多维度交叉筛选（章节分类/损失函数/发表年份），可精确定位如“2024年使用FKL损失的论文”；
3. 可视化展示：提供模型图谱热力图、损失函数分布图、月度演进趋势、方法时间线等；
4. 每日自动更新：7阶段流水线（预检查→侦察→深度阅读→筛选→更新列表→刷新索引→损失分类→网站刷新），确保新论文24小时内可检索。

• 纯静态设计：采用HTML+Bulma CSS+Fuse.js架构，GitHub Pages托管，零运维成本、极速加载、高可用性；
• 数据流水线：整合4类数据源（paper_notes.json/损失分类json/章节分组README/论文摘要tex），通过arXiv ID关联渲染；
• 幂等设计：重复运行流水线无副作用，保证数据一致性。

学术价值：配套综述论文提供系统领域综述、统一数学框架、实验对比及未来方向，网站为论文在线companion；引用格式需包含arXiv:2604.00626。

适用场景：

• 研究人员：文献调研、方法对比、趋势分析、论文追踪；
• 工程师：技术选型、实现参考、性能基准；
• 学生：入门学习、论文阅读、方向探索。

当前局限：仅覆盖OPD单一领域、依赖arXiv/Semantic Scholar数据源、自动化分类可能存在误差。

未来方向：扩展到Offline Distillation等其他蒸馏方法、增加论文影响力指标（引用数/Stars）、支持用户收藏与笔记功能、引入论文关联知识图谱。

Awesome-LLM-OPD是学术资源管理新范式，从静态列表转向动态图谱、人工维护转向自动更新，为大模型蒸馏研究者提供高效工具。

贡献指南：勿直接编辑自动生成的index.html或papers.json；论文添加/修正需提交Issue/PR到Awesome-LLM-On-Policy-Distillation仓库；网站模板问题可直接向本仓库提PR。