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 305 条结果
相关性 | 日期

接力棒：轨迹接力的在线策略蒸馏

👍 32

在学生推理出错处让老师短暂接管再交还，修复在线策略蒸馏的前缀失败

Haolei Xu, Xiaowen Xu, Haiwen Hong, Zixuan Ni, Hongxing Li, Yiwen Qiu,... 2026-07-29
在线策略蒸馏 大模型训练 推测解码 推理 知识蒸馏
✅ 已总结
详情 →

视觉对比自蒸馏

👍 50

用原图与擦除图像的预测对比构造自蒸馏目标，无需外部教师或答案提示。

Yijun Liang, Yunjie Tian, Yijiang Li, Yuqi Jia, Furong Huang, Tianyi Zhou, Di Fu 2026-07-24
多模态后训练 对比学习 知识蒸馏 自蒸馏 视觉语言模型
✅ 已总结
详情 →

从智能体经验中样本高效地学习

👍 18

把智能体交互经验蒸馏进权重，无需额外环境采样即可保留大部分上下文学习增益。

Chenhui Gou, Haoqin Tu, Yunhao Fang, Jianfei Cai, Hamid Rezatofighi 2026-07-24
上下文学习 强化学习 智能体学习 样本效率 知识蒸馏
✅ 已总结
详情 →

基于前缀重放的多轮在线策略蒸馏

👍 12

复用教师轨迹做离线多轮 agent 蒸馏,零工具调用、4倍加速且不掉点。

Baohao Liao, Hanze Dong, Christof Monz, Xinxing Xu, Li Dong, Furu Wei 2026-07-24
多轮交互 强化学习 智能体 模型压缩 知识蒸馏
✅ 已总结
详情 →

在线策略差分蒸馏

👍 37

用教师与基础模型的概率差作为蒸馏奖励，大幅提升推理蒸馏效果。

Byeongho Heo, Jaehui Hwang, Sangdoo Yun, Dongyoon Han 2026-07-20
后训练 在线策略蒸馏 大语言模型推理 奖励设计 强化学习替代
✅ 已总结
详情 →

揭秘在线策略蒸馏：角色、病理与调控

👍 18

系统揭示OPD的探索催化本质，诊断信号失真病理，用零开销信号调控修复训练不稳定

Rui Wang, Hongru Wang, Yi Chen, Boyang Xue, Tianqing Fang, Wenhao Yu, Kam-Fai Wong 2026-07-17
在线策略蒸馏 大模型后训练 强化学习 知识蒸馏 训练动力学
✅ 已总结
详情 →

OvisOCR2 技术报告：0.8B 端到端文档解析模型

👍 51

0.8B端到端文档解析模型，靠数据引擎+多组件RL奖励+策略蒸馏刷新多项OCR榜单

Shiyin Lu, Yinglun Li, Yu Xia, Yuhui Chen, An-Yang Ji, Jun-Peng Jiang,... 2026-07-16
OCR 多模态大模型 强化学习 文档解析 知识蒸馏
✅ 已总结
详情 →

通过直接在策略蒸馏实现由弱到强的泛化

👍 143

Direct-OPD：用小模型RL的策略位移当隐式奖励，低成本提升更强的学生模型

Shiyuan Feng, Huan-ang Gao, Haohan Chi, Hanlin Wu, Zhilong Zhang, Zheng... 2026-07-14
后训练 弱到强泛化 强化学习RLVR 知识蒸馏 策略蒸馏
✅ 已总结
详情 →