Не каждый токен заслуживает размножения: выборочный надзор за прямым ОДП
arXiv:2609.29142v1 Annuate Type: New Humber: Direct on-Policy Distillation (Direct-OPD) передает основанные на подкреплении и обучении усовершенствования политики из небольшой модели более широкому студенту, используя символическую log-соотношение между постRL и пунктами до RL в качестве плотного…