Thinking Machines Lab 提出 On-Policy Distillation 训练方法
原文标题:On-Policy Distillation
AI 摘要
Thinking Machines Lab 发布技术博客,提出 on-policy distillation:从学生模型采样轨迹,由教师模型对每个 token 计算反向 KL 作为密集奖励。
关键信息
- Thinking Machines Lab 发布技术博客,提出 on-policy distillation:从学生模型采样轨迹
- 由教师模型对每个 token 计算反向 KL 作为密集奖励
- 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
速览
- 发布时间
- 更新时间
- 分类
- 论文与研究
- AI 评分
- 68
推荐理由
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。
来源与版权
本文基于 AIHOT 公开 API 的精选标题与 AI 摘要整理,已注明来源并回链;原文版权归原媒体与作者所有,本站不镜像全文。
如何引用
引用本文时请保留标题、日期与永久链接,并注明来源为橙子新闻。
橙子新闻:Thinking Machines Lab 提出 On-Policy Distillation 训练方法。2025年10月27日。https://new.nat6.net/news/cmq75sy1p0006sl5wfu0bt7hs/