提出变分策略蒸馏(VPD)框架,将语言反馈学习形式化为变分EM过程以协同优化师生策略,有效克服了RLVR稀疏奖励与被动自蒸馏的瓶颈,在科学推理与代码生成任务上持续优于现有基线。
机构:Salesforce
来源:arXiv 2605.15113 | AI4Papers 论文推荐平台