Kertas penyelidikan

Thinking Machines Lab mengemukakan kaedah latihan On-Policy Distillation

Tajuk asal:On-Policy Distillation

Ringkasan AI

Thinking Machines Lab menerbitkan blog teknikal yang mengemukakan on-policy distillation: mengambil sampel trajektori daripada model pelajar, dan model guru mengira KL songsang bagi setiap token sebagai ganjaran padat.

Sekilas pandang

Diterbitkan pada
Dikemas kini pada
Sumber
Thinking Machines Lab:官方博客
Kategori
Kertas penyelidikan
Skor AI
68
Baca asal Baca artikel penuh di sumber asal
Sebab disyorkan

原文给出反向 KL 损失、成本对比和可复现实验,读者可以据此评估用稀疏 RL 换成密集蒸馏监督的落地空间。

Sumber dan hak cipta

Artikel ini disusun berdasarkan tajuk pilihan dan ringkasan AI daripada API awam AIHOT, dengan sumber dinyatakan dan pautan balik disediakan; hak cipta teks asal milik media dan penulis asal, laman ini tidak menyalin penuh teks penuh.

Pautan asal · Entri AIHOT

Cara memetik

Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.

Orange News: Thinking Machines Lab mengemukakan kaedah latihan On-Policy Distillation. 27 Oktober 2025. https://new.nat6.net/ms/news/cmq75sy1p0006sl5wfu0bt7hs/

Lihat Semua →