arXiv Artificial Intelligence· Suwan Yoon, Seongryong Jung, Changhee Lee·· 2 小时前AI 评分26
APSD：面向自蒸馏策略优化的正确性相关非对称目标分布
Correctness-Dependent Asymmetric Target Distributions for Self-Distillation Policy Optimization
AI 导读
APSD 通过混合学生与自教师分布构建正确性相关目标：在正确 rollout 上插值以保留成功行为，在错误 rollout 上外推以加强纠正。在可验证奖励与丰富反馈的强化学习实验中，APSD 整体优于强化学习和自蒸馏基线，并在 Qwen3 各规模上以平均 2.6 倍更少的训练步数达到 SDPO 的性能。
来源：arXiv Artificial Intelligence · arxiv.org