f-OPD：稳定长程在线策略蒸馏

2026年10月15日，arXiv人工智能板块报道了一项针对大语言模型在线策略蒸馏（OPD）中异步执行与在线策略目标偏离矛盾的研究。研究者将目标偏差分解为 rollout 漂移与监督漂移，并提出样本级新鲜度分数来衡量缓冲样本的可靠性。基于该信号，研究者提出 f-OPD 框架，可自适应调节陈旧样本影响并约束异步训练中的策略漂移。报道称，该框架在推理、工具使用和编码智能体任务上取得与同步优化相当的性能，同时基本保留异步执行的吞吐优势。该工作已被 NeurIPS 2026 接收。上述内容为当前唯一报道，尚无后续跟进报道，也未出现与早先报道在数字、时间或说法上的矛盾。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。