arXiv · cs.AI· Yuanda Xu, Hejian Sang, Zhengze Zhou, Ran He, Zhipeng Wang, Alborz Geramifard·· 11 小时前
语言模型后训练提出稀疏到密集奖励原则并验证 RL 改进教师蒸馏
Beyond GRPO and On-Policy Distillation: An Empirical Sparse-to-Dense Reward Principle for Language-Model Post-Training
arXiv:2605.12483v5阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Yuanda Xu, Hejian Sang, Zhengze Zhou, Ran He, Zhipeng Wang, Alborz Geramifard
研究任务与主要进展
作者提出一种语言模型后训练原则：用稀疏序列级奖励探索并改进强教师模型，再通过密集 token 级 on-policy 蒸馏将行为迁移到较小的部署学生模型。基于论文摘要，在固定 Qwen3-1.7B 学生模型上，经过 RL 改进的 8B 教师蒸馏后，MATH 得分达到 79.3%，高于直接 GRPO 的 75.9%；AIME 2024 得分为 25.2%，高于 19.8%。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org