Компьютерные науки > Искусственный интеллект [представлен 9 октября 2026 года] Название: Branching On-Policy Distillation View PDF HTML (экспериментальный) Резюме: On political дистилляция (ODD) обеспечивает преподавательский контроль за траекториями, создаваемыми учащимися, но одна траектура позволяет сохранить лишь одно продолжение в каждом решении, ограничивая охват надзора при окончательном бюджете выборки. Мы предлагаем БРОПД (Branching On-Policy Distillation), который отбирает информативные точки принятия решений с использованием неуверенности учащихся и разногласий между учителями и учащимися, перепроверяет продолжение студенческой политики из общих префиксов и применяет символический контроль учителей как к основным траекториям, так и в филиалах. В рамках РБНОД принимаются решения на уровне символических показателей в области математики и внутриоборотных решений при выполнении функций агента. В результате повторного использования совместно используемых префиксов затраты учащихся на символические знаки сокращаются примерно на 19% в ALFWorld и 31% в WebShop по сравнению с семью независимыми траекториями. Мы также введем протокольно-трансграничный ремонт (ПБР), который использует целенаправленный надзор при соблюдении протокольных ограничений для смягчения последствий повторения и расточительного поколения. PREROPD превзошел показатели OPD Vanilla и Multi-Rolulout ODP (n=7) по всем оцениваемым контрольным показателям, при этом прирост по сравнению с ОДП ванильи составил…
Секторальная дистилляция на уровне политики
arXiv: 2610.13481v1 Annualce Type: New Humber: On-Policy Distillation (ODS) обеспечивает преподавательский контроль за траекториями, создаваемыми учащимися, но одна из трасс позволяет сохранить лишь одно продолжение в каждом решении, ограничивая охват надзора при составлении бюджета на конечной выборке. Мы предлагаем БРОПД (Branching On-Policy Distillation), который отбирает информативные точки принятия решений с использованием неуверенности учащихся и разногласий между учителями и учащимися, перепроверяет продолжение студенческой политики из общих префиксов и применяет символический контроль учителей как к основным траекториям, так и в филиалах. В рамках РБНОД принимаются решения на уровне символических показателей в области математики и внутриоборотных решений при выполнении функций агента. В результате повторного использования совместно используемых префиксов затраты учащихся на символические знаки сокращаются примерно на 19% в ALFWorld и 31% в WebShop по сравнению с семью независимыми траекториями. Мы также введем протокольно-трансграничный ремонт (ПБР), который использует целенаправленный надзор при соблюдении протокольных ограничений для смягчения последствий повторения и расточительного поколения. РБ: