arXiv · cs.CL· Tianle Wang·· 20 天前AI 评分51
SAPD：步对齐特权蒸馏让固定示范支撑高效的 off-policy 后训练
SAPD: Step-Aligned Privileged Distillation
来源与原文
arXiv · cs.CL
作者：Tianle Wang
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/2610.09665v1
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
Tianle Wang 等在 arXiv 发布论文，提出 Step-Aligned Privileged Distillation（SAPD），一种免 rollout 的自蒸馏方法，将示范解法转化为步对齐的分布性监督。在数学推理基准上平均优于 SFT 和标签平滑，与 on-policy 强化学习和自蒸馏相当，同时大体保持域外编码性能，训练循环较 on-policy 基线提速约 2x。代码已开源。
来源：arXiv · cs.CL · arxiv.org