研究人员提出了一种新的大语言模型训练后阶段的视角,将重点放在状态分布而非仅仅是Token。他们的研究表明,训练状态的来源和局部性与监督信号本身同等重要。使用Qwen3-0.6B-Base进行的实验表明,来自较弱教师模型的On-Policy蒸馏仍然可以提高多个基准的性能,而轻量级强化学习在保留原有能力的同时增强了特定任务的表现。 AI
影响 这项研究为理解和改进LLM训练后阶段提供了新的视角,有望带来更高效、更有效的微调技术。
排序理由 该集群包含一篇学术论文,详细介绍了LLM训练后阶段方法的新理论框架和实验结果。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →