提出Rubric-Conditioned Self-Distillation框架,将细粒度评分标准转化为token级指导信号用于推理语言模型的后训练,在科学推理基准上性能优于GRPO和OPSD等方法。
机构:耶鲁
来源:arXiv 2606.19327 | AI4Papers 论文推荐平台