在政策上蒸

A reinforcement learning 关于 OPD 的观点:为样本效率的最小正方形政策蒸 LLM推理

LSPD将政策蒸.改为KL规范的RL,使用最小平方匹配和重复来提高样本效率LLM推理.

超越时间标签:与长期代理商的决策相一致的政策蒸

AlignOPSD将蒸.从时间标记转移到功能决策跨度,使用信用分配来改善长期代理培训.

AdaTutoRank:适应性辅导优化文档集重新排名在 RAG 和深度研究

通过难度匹配的提示和标题奖励,AdaTutoRank提高了 RAG 重新排名.

最后一个OPD:缓解隐藏的政策蒸崩盘

最后OPD通过短暂调整最后一层,改善MATH-500分数来阻止Qwen3在政策上蒸.的潜在监督崩.

MOPD- router :对多个教师的政策蒸重新审视教师路由

MOPD- router 将提示级硬路由替换为 token 级路由,通过更精细的教师信号改善多个教师在政策上的蒸..