概念在线策略自蒸馏 / On-Policy Self-Distillation
OPSD
一种知识蒸馏变体，不依赖固定离线教师模型，而是在训练过程中由当前策略或其增强版本实时生成token级监督信号回传给模型，可缓解稀疏奖励下的信用分配难题
时间轴 (近 90 天)
10月20日
该研究在六个视觉推理基准上进行了验证，VAG相比GRPO和OPSD方法均取得一致优势，并刷新了平均性能最优水平。
待验证50%
一种知识蒸馏变体，不依赖固定离线教师模型，而是在训练过程中由当前策略或其增强版本实时生成token级监督信号回传给模型，可缓解稀疏奖励下的信用分配难题
该研究在六个视觉推理基准上进行了验证，VAG相比GRPO和OPSD方法均取得一致优势，并刷新了平均性能最优水平。