RELAY：评分标准强化学习的选择性自蒸馏方法

2026年10月15日，arXiv 人工智能板块出现一篇由 Kunwang Zheng 等作者提交的论文，提出名为 RELAY 的选择性自蒸馏与自适应交接方法，用于基于评分标准的强化学习。据该报道，RELAY 的第一阶段使用冻结教师模型结合 GRPO 进行选择性蒸馏；其选择依据是优势与奖励，挑选正优势以及低分、零优势的 rollout，并通过监控蒸馏损失来判断何时让教师模型退出。平台期检测器触发后移除教师，进入第二阶段，仅使用 GRPO 继续训练。报道未提及该方法适用的具体任务、模型规模、地域或收费安排，也未给出与早先报道存在数字、时间或说法不一致的情况。目前该事件仅有这一篇主报道，后续进展有待跟进。

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。