arXiv · ML· Yutong Chen, Guangfu Guo, Zhichao Xu, Kunpeng Liu·· 2026-10-14AI 评分32
DualOPSD:闭环在策略自蒸馏中的反馈机制
DualOPSD: Closing the Feedback Loop in On-Policy Self-Distillation
AI 导读
研究提出 DualOPSD 框架,通过在 Qwen3-8B/4B/1.7B 模型上进行联合更新,在三个数学基准测试中将 avg@12 准确率比原有 OPSD 方法提高 9.83 个百分点。
来源:arXiv · ML · arxiv.org