研究人员正在探索策略内蒸馏(OPD)的新方法,这是一种用于改进大型语言模型的技术。一种方法vOPD引入了强化学习中的协方差基线,以稳定训练并减少梯度方差,实现了与计算成本更高的方法相当的性能。然而,另一项研究强调了OPD的泛化局限性,表明它会掩盖不完整的能力巩固,并导致在分布外任务上的性能下降。为了解决这些问题,正在开发EvoOPD等新策略来动态调整蒸馏过程中使用的特权信息,而仅顺序策略内蒸馏(O^3PD)则侧重于仅转移教师的令牌顺序而不是精确的概率,在推理和编码任务上表现出改进的性能。 AI
影响 蒸馏技术的这些进步可能带来更强大、更高效的LLM,但泛化方面的挑战需要进一步研究。
排序理由 arXiv上发表了多篇研究论文,详细介绍了LLM策略内蒸馏的新方法和局限性。
- AIME24
- AIME25
- HMMT25
- O3PD
- On-Policy Distillation
- Order-Only On-Policy Distillation
- arXiv
- Hugging Face
- EvoOPD
- large-language models
- O^3PD
- Qwen3
- reinforcement learning
- vOPD
AI 生成摘要 · Google Gemini · 来自 5 个来源。 我们如何撰写摘要 →