研究人员开发了新方法来提高大型语言模型On-Policy蒸馏(OPD)的效率和稳定性。一种方法vOPD使用源自反向KL散度的控制变量基线,在没有显著计算开销的情况下降低梯度方差。另一种方法ROPD仅使用教师生成的响应即可实现基于规则的蒸馏,提供了基于logit的OPD的黑盒兼容替代方案。第三种技术Near-Policy Distillation(NPD)通过异步生成和选择性打包来加速该过程,实现了显著的加速并优于标准微调。 AI
影响 这些进展为对齐LLM提供了更有效、更稳定的方法,有可能加速它们在复杂推理任务中的部署。
排序理由 多篇arXiv论文介绍了改进LLM中On-Policy蒸馏技术的新方法。
- Near-Policy Distillation
- openPangu-Embedded-1B
- Qwen3-1.7B
- Reinforcement Learning
- Supervised Fine-Tuning
- On-Policy Distillation
- ROPD
- vOPD
AI 生成摘要 · Google Gemini · 来自 5 个来源。 我们如何撰写摘要 →