#On-policy Distillation

共 1 条 · 7 天 1 条 · 30 天 1 条

reward hacking 1 SFT 1 强化学习 1 论文解读 1

信息流里打上「On-policy Distillation」标签的资讯、产品与论文，按刊登时间排，新的在上。

10月5日

论文 Agent 与开发者20:45

研究用强化学习视角解释 On-policy Distillation 崩溃成因

把 OPD 训练崩溃讲透了，还给了屏蔽坏响应和 SFT 初始化两个可上手的缓解办法，做蒸馏的人快看。

#On-policy Distillation #reward hacking #SFT #强化学习

arXiv cs.AI@Han Cui 等 6 人原文