待验证50% 置信事实精确时间
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。
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
待验证SDPO的直接匹配自教师分布策略在正确rollout上可能破坏已有的成功行为。74% 相似待验证研究者提出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。72% 相似待验证SMD 还加入了排斥机制：让学生远离教师较弱的预测，以避免继承教师在某些时间步上不可靠的预测模式。69% 相似待验证在离策略采样条件下，当偏好间隔在方向上与效用梯度对齐时，DPO的更新会从纠错信号转变为类似强化学习的强化式更新69% 相似待验证离策略强化学习复用旧策略生成的样本，带来效率优势但引入分布偏移与梯度估计的高方差问题68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1074086API
curl https://kongchang.com/api/v1/knowledge/claims/1074086MCP
get_claim(id=1074086)