待验证50% 置信事实精确时间

研究者提出APSD（Asymmetric Policy Optimization via Self-Distillation），通过构建正确性依赖的非对称目标分布来兼顾行为保持与错误纠正。

1

来源数

50%

置信度

长期有效

时效性

2026/10/20

首次发现

来源

APSD：按正确性不对称蒸馏，2.6倍训练加速LLM后训练

涉及实体

相关事实

待验证APSD对于错误rollout采用外推策略，目标分布延伸到自教师之外，强化纠正力度。72% 相似待验证基于占用度量的算法将策略优化问题重写为在占用度量多面体上的凸优化，从而全局控制所有状态-动作对上的误差累积，这是其遗憾界少一个H因子的根本原因。69% 相似待验证论文的核心启示是量化分配不应止步于敏感性排序，而应转向目标感知分配，即根据最终优化目标反向校准每个专家的误差权重。66% 相似待验证一步只写入一个或条件独立的位置时理论上可以精确匹配分布，写入越多依赖位置误差越积累66% 相似待验证应对误差累积的策略包括蒙特卡洛树搜索式前瞻规划、分层规划和基于置信度的自适应执行65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1074084

API

curl https://kongchang.com/api/v1/knowledge/claims/1074084

MCP

get_claim(id=1074084)