APSD自蒸馏策略优化方法提出

2026年10月20日，arXiv Artificial Intelligence 刊出 Suwan Yoon 等作者的论文，提出非对称策略优化自蒸馏方法 APSD。该方法通过混合学生分布与自教师分布来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；在 Qwen3 各规模上，它以平均 2.6 倍更少的训练步数达到 SDPO 的性能。目前该报道为事件最新进展，尚无后续跟进报道。

AI 根据报道生成 · 33 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。