arXiv · cs.CL· Han Cui·· 24 天前精选AI 评分58
arXiv 论文从强化学习视角解析 On-policy 蒸馏的收益与坍缩机制
Gains and Collapse in On-Policy Distillation:A Reinforcement Learning Perspective
来源与原文
arXiv · cs.CL
作者：Han Cui
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.03185v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
arXiv 论文 2610.03185 从强化学习视角解释 on-policy 蒸馏（OPD）为何有时提升性能、有时坍缩为过长且重复的生成：教师隐式奖励学生行为，即使教师自身很少表现出这些行为。
推荐理由
论文用强化学习视角解释 on-policy 蒸馏为何有时提升性能、有时坍缩，并给出掩蔽不健康响应和 SFT 初始化两种缓解手段。
来源：arXiv · cs.CL · arxiv.org