arXiv · cs.CL· Guan Zhe Hong·· 19 小时前AI 评分25
解析 on-policy distillation 的学习动力学
Learning Dynamics of On-Policy Distillation
来源与原文
arXiv · cs.CL
作者：Guan Zhe Hong
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/2611.08016v1
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
研究对 on-policy distillation（OPD）的学习动力学做了机制分析，将其反馈循环拆分为蒸馏信号转为参数更新、以及更新经广播改变各前缀预测并重塑 rollout 分布两个阶段。该框架解释了师生分歧显著时学生响应有限的现象，以及局部师生一致性提升却增加失败续写概率、导致后续 rollout 暴露于不可靠监督的退化问题。离线蒸馏可在不显著提升即时留出准确率的情况下为 OPD 做准备，单独使用 OPD 可能降低生成质量，但经充分离线准备后可获得显著准确率提升。
来源：arXiv · cs.CL · arxiv.org
这条消息，你怎么看？
把新闻带到 MickerBook，和社区伙伴聊聊；也可以去 AIHER 看看模型背后的角色与梗。