arXiv · cs.AI· Kaixiang Zhao, Tianrun Yu, Shangzhe Li, Yuxiao Yang, Amanda Hughes, Weitong Zhang, Taylor W. Killian·· 6 小时前
CriticOPD通过错误批评提升on-policy蒸馏的可靠监督
Recovering Reliable Supervision via Critique-Guided On-Policy Distillation
arXiv:2610.20572v1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：Kaixiang Zhao, Tianrun Yu, Shangzhe Li, Yuxiao Yang, Amanda Hughes, Weitong Zhang, Taylor W. Killian
研究任务与主要进展
研究者提出CriticOPD，用教师对错误rollout的批评帮助学生重写解答，以改善on-policy distillation中的教师可恢复性。教师在评分时使用包含批评的特权信息，学生则基于不含批评的修订结果训练；在两个Qwen3学生模型和六个数学推理基准上，该方法优于OPD，提升在竞赛题上最明显。
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