提出d-OPSD框架,通过重构自教师构建方式和将监督从token级转移至step级,专为扩散大语言模型(dLLMs)设计,在推理任务上实现了优于RLVR和SFT的性能与样本效率。
机构:马普所
来源:arXiv 2606.18195 | AI4Papers 论文推荐平台