Двойная свобода: изучение истории исследования для безоткатной подготовки по многим целевым МЛМ

arXiv:2610.34272v1 Тип уведомления: новое резюме: Многоцелевое послеучебное обучение может развивать специалистов по доменам на основе независимого обучения с целью усиления (РЛ) и укреплять их потенциал посредством многоучережденческой дистилляции на уровне политики (МОД). Вместе с тем стандартное МОПД позволяет получать ответы от студентов, занимающихся вопросами политики, и обеспечивать функционирование нескольких преподавателей в режиме онлайн на протяжении всей консолидации, что ведет к значительным системным затратам. Мы рассматриваем этот трубопровод как доменную разведку, за которой следует междоменная разработка. Домена RL выпускает не только конечных специалистов, но и траектории, собранные в ходе обучения. Существующие методы в первую очередь используются при недостаточном использовании последних. Мы введем систему "Двойной Свободный", которая использует эти исторические траектории для бесперебойного объединения и предварительного надзора за обучением учителей без учителя. Чтобы понять, почему это работает, мы анализируем, когда обновление исторических траекторий может приблизить обновления на уровне политики и как c