本文系统研究了大语言模型在线策略蒸馏(OPD)的现象学规律、token级机制,并提出两种实用策略(off-policy冷启动与教师对齐的prompt选择)来恢复失败的OPD;发现OPD成功的关键在于学生与教师思维模式兼容,且教师需提供学生未习得的新能力,而非仅更高基准分数。
机构:清华
来源:arXiv 2604.13016 | AI4Papers 论文推荐平台