标签： 全部 强化学习 扩散模型 大语言模型 基准测试 视频生成 LLM智能体 世界模型 视觉语言模型 GRPO 多模态大模型 知识蒸馏 基准评测 具身智能 流匹配 机器人操作 多智能体系统 智能体 LLM Agent 可解释性 图像生成 代码生成 多模态学习 检索增强生成 注意力机制 RLVR 后训练 视频理解 机器人学习 长上下文 多模态 数学推理 图像编辑 VLA 数据合成 多模态大语言模型 推理加速 高效推理 评测基准 自监督学习 工具调用 对比学习 扩散语言模型 视觉-语言-动作模型 参数高效微调 Transformer 工具使用 LoRA 持续学习 LLM评估 自蒸馏 多模态推理 RAG 模仿学习 综述 LLM推理 信息检索 信用分配 在线策略蒸馏 模型压缩 合成数据
找到 72 条结果
相关性 | 日期

基于批评引导的在线策略蒸馏恢复可靠监督

👍 26

教师会跟随学生错误但仍能识别错误，CriticOPD 用批评引导改写恢复蒸馏监督可靠性

Kaixiang Zhao, Tianrun Yu, Shangzhe Li, Yuxiao Yang, Amanda Hughes, Weitong... 2026-10-15
在线策略蒸馏 大语言模型推理 数学推理 特权信息 知识蒸馏
✅ 已总结
详情 →

简化并改进少步扩散模型的在线策略蒸馏

👍 20

纯在线回归蒸馏配训练专用 Pivot 残差与教师排斥项，4 步生成媲美甚至超越多步教师

Jiawei Zhang, Ziyu Wan, Nanye Ma, Long Zhao, Dong Chen, Hongyu Liu, Qifeng... 2026-10-14
在线策略蒸馏 少步蒸馏 扩散模型 流匹配 视频生成
✅ 已总结
详情 →

重新审视在线策略蒸馏中的相对策略差异迁移

👍 5

把专家与参考模型的策略差异当作隐式奖励做任意到任意的蒸馏，并系统刻画何时可迁移

Rong Wu, Daocheng Fu, Yu Yang, Xuemeng Yang, Siqi Li, Shu Zou, Yao Zhu,... 2026-10-12
在线策略蒸馏 大模型后训练 强化学习 相对策略差异迁移 隐式奖励
✅ 已总结
详情 →

在线蒸馏中的增益与坍塌：一个强化学习视角

👍 29

教师即隐式奖励模型：在线蒸馏只放大既有能力，偏好偏置导致奖励黑客式坍塌。

Han Cui, Jianhao Yan, Yun Luo, Hongbo Zhang, Zhizhang Fu, Yue Zhang 2026-10-08
在线策略蒸馏 大语言模型后训练 奖励黑客 强化学习 知识蒸馏
✅ 已总结
详情 →

基于负策略采样序列的在线策略蒸馏

👍 19

在rollout阶段混入更弱负策略的序列，不改蒸馏奖励即为OPD补上负向信号并全面提升

Jaehui Hwang, Dongyoon Han, Sangdoo Yun, Byeongho Heo 2026-10-08
LLM后训练 在线策略蒸馏 推理增强 知识蒸馏 负样本学习
✅ 已总结
详情 →

从梯度到能力：理解多教师在线策略蒸馏

👍 6

解剖MOPD中损失加权、Adam动量与BF16精度如何筛选教师信号并决定任务收益

Siqi Zhu, Suozhi Huang, Kaixuan Zhang, Yuheng Yang, Zhanyang Jin, Yihang... 2026-10-05
LLM后训练 优化器分析 在线策略蒸馏 多教师蒸馏 损失加权
✅ 已总结
详情 →