待验证50% 置信事实精确时间
自蒸馏策略优化（SDPO）通过反馈条件下的“自教师”为学生模型提供密集的token级监督信号。
1
来源数
50%
置信度
长期有效
时效性
2026/10/20
首次发现
来源
涉及实体
相关事实
已验证在线策略蒸馏（OPD）让学生模型自己生成训练响应，再由教师模型提供监督信号75% 相似待验证RM-OPD的关键机制是在学生自己生成的critique上施加token级密集监督，使监督分布与学生当前策略分布一致，缓解训练与推理分布错配问题。72% 相似待验证On-policy蒸馏要求学生先生成自己的prefix轨迹，再由教师在学生实际到达的状态上给出指导，因此状态分布对齐，在长周期、误差易累积的任务上通常更稳定。72% 相似待验证APSD对于正确rollout采用插值策略，目标分布位于学生和自教师之间，保留学生已成功的生成行为。71% 相似待验证教师-学生蒸馏框架先训练可访问完整环境信息的教师策略，再蒸馏到仅依赖机载传感器的学生策略中以实现真实硬件部署69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1074082API
curl https://kongchang.com/api/v1/knowledge/claims/1074082MCP
get_claim(id=1074082)