EMNLP 论文：先 OPD 后 RL 两阶段训练优于联合优化

一项入选 EMNLP 2026 Findings 的研究（arXiv:2609.04108）系统比较了在线策略蒸馏（OPD）与可验证奖励强化学习（RLVR）两种推理后训练方法的组合方式。核心发现是「Sequential Beats Joint」：用 OPD 做完推理训练后再追加一个 RL 阶段，能在多个推理任务上持续提升性能，稳定优于纯 OPD、纯 RLVR 以及两者联合优化。

2026-09-16 ~ 2026-09-17 · 4 条相关

• EMNLP 论文：先 OPD 后 RLVR 两段式训练全面优于联合优化 — xiye_nlp · 2026-09-16
• 新论文:OPD 推理后追加 RL 阶段,效果胜过纯 OPD 与纯 RLVR — gregd_nlp · 2026-09-16
• EMNLP 论文:先 OPD 后 RLVR 两阶段训练,稳定优于联合优化 — xiye_nlp · 2026-09-16

另有 1 条近重复转述:zhaoran_wang