在策略蒸馏 LLM-DailyDigest 2026-08-30 2026-08-30 约 100 字 预计阅读 1 分钟 在策略蒸馏 本主题由提交工具自动创建，可在此补充洞察与资料。 相关消息（按子主题自动聚合） 交互式评测 1 OmniAssistBench：全模态助手交互评测基准 08-24 交互成本 1 TACT：面向语言智能体的通信高效社会智能训练 09-30 信用分配 1 蒸馏直至分歧：面向智能体强化学习的错误截断后见蒸馏 10-19 动态调度 1 D³-MOPD：面向多教师蒸馏的自适应领域调度 08-28 协同演化 1 脚手架与模型协同演化：在策略纠错弥合弱模型差距 09-09 在策略蒸馏 73 UserArena：长时程购物智能体的交互式用户模拟基准 10-27 预训练进程中的潜意识学习与隐性偏好传递 10-23 MCPD：降低在策略自蒸馏的参考答案敏感性 10-23 TeachBack：双向偏好优化改进在策略自蒸馏 10-22 ASTEROID：非对称在策略蒸馏学习上下文探索 10-22 SAPD：无需环境交互的智能体经验学习 10-21 能力强的教师、短视的评分器：无奖励教师修复用于智能体在策略蒸馏 10-21 OPTD：对齐层间预测变化的在策略蒸馏 10-21 RSOD 构建电信领域语言模型 Llama-CalixCLM v1 10-21 GR-OPD：面向在策略蒸馏的组相对序列信用分配 10-19 MoEvolve：通过在策略双向蒸馏增强 MoE 模型 10-19 Waypoint-OPD：门控在策略蒸馏迁移强化学习策略转变 10-18 Road MOPD：跨教师防护的多教师在策略蒸馏 10-18 ActionOPD：在语义动作层面蒸馏智能体决策 10-18 PR-OPD：面向智能体强化学习的特权表征在策略自蒸馏 10-18 批评引导的在策略蒸馏恢复可靠监督 10-18 共享残差蒸馏：从未经验证的同伴轨迹中学习 10-18 OPRD：面向长程编程智能体的在策略提醒蒸馏 10-18 兼容性很重要：在策略蒸馏中的词元级教师选择框架 10-18 CCE-OPD：条件对比外推的在策略蒸馏 10-18 在策略蒸馏会继承视觉语言教师模型的失败模式 10-18 Residual Advantage：面向 RLVR 的学生相对教师引导 10-10 SpatialOPSD：从可验证编码智能体轨迹中自蒸馏空间智能 10-10 何时需要在策略蒸馏？离线学生轨迹往往更优 10-10 在策略蒸馏为何失效：学习信号消失 10-10 MetaOPD：元学习 Token 加权的在策略蒸馏 10-09 DIAL-OPD：用更少 Token 提升在策略蒸馏效果 10-09 重新思考跨分词器在策略蒸馏：从对齐覆盖率到监督可靠性 10-08 极端稀疏监督提升大模型后训练推理能力 10-08 JOLT：联合在策略学习与自教师训练 10-08 在策略蒸馏传递新技能而非新知识 10-08 同系列在策略蒸馏的缩放特性 10-01 SAKI：最大耦合路由教师监督的在策略蒸馏 10-01 PivotOPD：多轮智能体关键错误预防与恢复学习 10-01 更少数据、更佳时机：面向时序视频定位的学生-课程耦合在策略蒸馏 10-01 OPSRD：在策略自角色蒸馏 10-01 Neighborhood OPSD：邻域专家增强在策略自蒸馏 10-01 ReTaCo：基于残差目标控制的在策略蒸馏 10-01 诊断推理语言模型的在策略自蒸馏 10-01 逐点裁剪反转纠正：在策略自蒸馏的失效机制 10-01 领域归一化的多教师在策略蒸馏 09-30 MT-OPSD：面向多轮图像编辑的在策略自蒸馏 09-30 归纳式反馈驱动的混合策略蒸馏 09-30 在策略与离策略学习的蒸馏动力学系统研究 09-30 稀疏 Crosscoder 揭示在策略蒸馏的特征重加权机制 09-30 稀疏奖励与稠密蒸馏：在策略蒸馏训练动力学 09-30 UniOPSD：统一结果与后见反馈的智能体强化学习 09-30 IM-MOPD：迭代合并增强多教师在策略蒸馏 09-30 ESCD：跨分词器在策略蒸馏的事件集补全 09-30 PMOPD：基于参数更新子空间保护的多教师在策略蒸馏 09-30 GRASP：面向 LLM 个性化的评分准则感知在策略自蒸馏 09-30 TIDE：通过信息性蒸馏与探索实现智能体强化学习的师生过渡 09-30 LSPD：面向高样本效率推理的最小二乘策略蒸馏 09-30 奖励对齐重加权的在策略蒸馏（R²-OPD） 09-30 UOPD：面向多轮智能体的置信度感知在策略蒸馏 09-29 FIRE：基于 Fisher 信息校准的反馈式在策略自蒸馏 09-29 共享前缀的隐患：用于在策略蒸馏的轨迹丢弃 09-29 LENS-OPD：长程任务的分层监督分配 09-29 超越时间戳：长程智能体的决策对齐在策略蒸馏 09-29 OPD：模型如何从自身生成轨迹学习 09-25 GUI-SD-v2：面向 GUI 智能体的在策略自蒸馏 09-24 面向软件工程智能体的类别感知迭代专家训练 09-23 BAS-OPD：预算感知的选择性在策略自蒸馏 09-23 Cal-OPD：校准教师—学生差异的在策略蒸馏 09-21 EOS 标记不一致导致在策略蒸馏长度膨胀 09-19 单样本 On-Policy Distillation：状态覆盖与监督吸收瓶颈 09-18 RetireOPD：可自适应退场的在策略蒸馏 09-18 特权信息对在策略自蒸馏的增益有多大？ 09-18 不完美教师下的离线在策略蒸馏轨迹可学习性 09-17 γOPD：奖励兼容的时序信用分配在策略蒸馏 09-16 OPD-Aha：以视觉反思纠正多模态在策略蒸馏中的语言惯性 09-16 TGOPD：蒸馏前验证的提示级教师门控 09-09 DiffusionOPSD：扩散模型的在线策略自蒸馏 08-27 多模态推理 1 OmniReasoning：音视频联合推理基准、数据引擎与自蒸馏方法 10-08 奖励蒸馏 1 OPDVR：基于可验证奖励的在线策略蒸馏 08-27 师生协同适应 1 DualOPSD：自适应特权教师的在策自蒸馏 08-27 弱到强泛化 1 在策略反向蒸馏实现弱到强泛化 09-09 思维链 1 重新审视后训练中的完整推理轨迹 09-11 技能压缩 1 SGUID：为模型-技能协同演化筛选紧凑技能库 10-09 数据策展 1 On-Policy Distillation中的数据效率与难例选择 09-07 无教师蒸馏 1 Self-OPD：无需教师的流匹配模型在策蒸馏 08-29 模型训练 1 序贯优于联合：在策略蒸馏与 RLVR 的协同机制 09-07 模型路由 1 EvoRouter：洞察引导在策略蒸馏的低成本多智能体路由 10-27 泛化机制 1 同策略蒸馏泛化的双重效应：行为迁移与能力跷跷板 08-18 测试时优化 1 TTPO：测试时策略优化 08-28 策略蒸馏 1 SimpleOPD：分词器无关的长上下文同策略蒸馏 08-17 脚手架协同演化 1 TaoLive：让数字化身智能体与工具链共同进化 08-29 自我改进 1 在策略蒸馏真的在蒸馏吗？从噪声教师到自我改进 09-01 自蒸馏 4 ReTeach：通过多轮反思与重试构建自教师 10-10 重新思考大语言模型的在策略蒸馏 II：单样本训练 09-07 RISE：基于自外推策略蒸馏的递归改进 09-07 LOPD：潜在同策略自蒸馏 08-16 蒸馏坍缩 1 一个症状、三个杠杆：在策自蒸馏批判性综述 08-27 蒸馏平衡 1 Open-MOPD：修复多教师在线策略蒸馏的能力失衡 08-28 视觉推理 1 Spatial-Interactor：通过物理交互学习空间推理 09-25 递归自我改进 1 NeoHorse-1：路由脚手架驱动的智能体后训练与递归自我改进 09-10 通用性-专业性权衡 1 不确定性校准 MOPD 保持领域专化中的通用能力 08-29 长期记忆 1 Hy-Memory-30B-A3B：归因强化学习驱动的长期记忆写入 10-18
