PulseAugur
中
实时 13:12:45
实体 Extreme Region Policy Distillation

Extreme Region Policy Distillation

PulseAugur coverage of Extreme Region Policy Distillation — every cluster mentioning Extreme Region Policy Distillation across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
1
90 天内 1
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 1 条
  1. TOOL · CL_51065 ·

    新的ERPD方法增强了LLM的强化学习

    研究人员开发了极端区域策略蒸馏（ERPD），一种用于大型语言模型强化学习的新型两阶段框架。该方法旨在通过解耦样本效率和渐近性能之间的权衡来克服它们之间的权衡。第一阶段使用弱约束的离策略优化，从固定数据中提取最大训练信号，提供token级监督。第二阶段在信任区域约束下将这些信号蒸馏成基础策略，过滤掉有害的漂移，同时保留有用的信息。