Flux-OPD：利用演化上下文的在策略蒸馏方法论文发布

Yuran Wang 等在 arXiv 发布论文（v2），提出 Flux-OPD，一种在策略蒸馏方法：将随学生能力变化的上下文作为训练监督信号，并通过冲突项调节上下文修正强度。作者基于反向 KL 分解，将目标解释为带教师分歧冲突项的几何平均目标。 该方法面向开放域大语言模型训练中缺乏可验证奖励、任务偏好难以形式化为有效监督的场景。论文摘要称实验显示其优于所比较的其他 OPD 范式，但未提供具体基线和实验细节，本结论仅基于摘要，尚属作者声称。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。