Distilled RL 把教师监督融进 LLM 后训练，超过传统 RL 和蒸馏
ZGCA · hf · 2026-07-21
Distilled RL 是一种新的 LLM 后训练方法，试图把强化学习和教师模型指导结合起来。
- 论文指出，传统 RL 只看粗粒度结果反馈，信用分配困难；而 on-policy distillation 要么给不出多少新知识，要么在教师模型差异太大时失效。
- Distilled RL 把教师监督直接并入 RL 目标，而不是简单匹配 teacher logits，因此能更有选择地传递新知识。
- 方法包含三个组件：带裁剪的反向重要性采样、负样本重置、以及序列级几何归一化。
- 在同家族和跨家族蒸馏设置下，作者报告它在 pass@1 和 pass@k 上都显著优于标准 RL 和 OPD。
「研究」频道最新
- 物理学家让 AI 自选课题：两小时产出可登顶刊的论文 — burny_tech · 2026-10-27
- 研究者谈评测集透明度:组合性评测仍存数据污染隐患 — najoungkim · 2026-10-27
- 可解释性研究该分清形式与估计器：均值差转向不如直接梯度下降 — johnhewtt · 2026-10-27
- EMNLP 论文：让 LLM 换个问法，「42」变「3」但蝴蝶仍是帝王蝶 — radamihalcea · 2026-10-27
- Datology Curation Studio 线上深潜：少于 20% 算力匹配最强基线 — josh_wills · 2026-10-27
- KANLab 开源：浏览器里可视化玩转 KAN 网络 — Lukas Niehaus · 2026-10-27