OPD² 只蒸馏推理微调新增增量，不学教师旧风格
coallaoh · x · 2026-07-23
- 这条帖介绍了一篇关于 On-Policy Delta Distillation（OPD²） 的论文。
- 传统的 on-policy distillation 会让学生模型尽量模仿教师模型的整体输出分布；而 OPD² 只蒸馏 teacher 与 base model 之间的差分信号，也就是 reasoning tuning 真正新增的部分。
- 论文想解决的是：不要把教师模型在推理微调前就有的风格和偏好也一并拷贝过去，而是尽量只保留推理能力提升带来的增量。
- 配图还对比了 OPD 与 OPD² 的训练流程，强调 OPD² 关注的是“学习轨迹”中的关键增量。
「研究」频道最新
- 数学家 Daniel Litt 上线问题库,15 题仅 1 题被解,用来追踪 AI 解题进度 — littmath · 2026-09-11
- AI 智能体协作优化 secp256k1 量子电路,挑战打破 ECDSA — StefanoGogioso · 2026-09-11
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11
- 本周热议的数学猜想到底关我什么事?一张普通人视角清单 — koltregaskes · 2026-09-11
- 用果蝇大脑连接组造了个 LLM,作者放出在线 demo — ngxson · 2026-09-11
- 社会学家 Harry Collins：LLM 无法发明新语言，做不了前沿科学 — whoamisri · 2026-09-11