arXiv ID:
2607.05394
arXiv 提交日期: 2026-07-06
基于直接在线策略蒸馏的弱到强泛化方法 / Weak-to-Strong Generalization via Direct On-Policy Distillation
1️⃣ 一句话总结
本文提出一种名为Direct-OPD的方法,通过让大语言模型模仿小模型在强化学习前后行为的变化趋势,而非直接复制小模型的最终策略,从而低成本地将小模型的推理能力迁移给大模型。