提出Zone of Proximal Policy Optimization (ZPPO)方法,通过将教师响应融入提示词而非策略梯度中来解决小模型蒸馏脆弱和强化学习漂移问题,在多项基准测试中显著提升了小模型的泛化性能。
机构:NVIDIA
来源:arXiv 2606.18216 | AI4Papers 论文推荐平台