arXiv：cs.CL（计算语言学，全量分类）· Yang Li, Gongle Xue, Yuheng Yuan, Yijia Guo, Shizhe Zhang, Liwen Hu, Lei Ma·· 2 小时前AI 评分40
诊断推理语言模型的 On-Policy 自蒸馏（OPSD）
Diagnosing On-Policy Self-Distillation for Reasoning Language Models
AI 导读
研究对 0.6B–8B 参数模型上的数学推理任务诊断了 On-Policy 自蒸馏（OPSD），发现教师信号由推理模式对齐和完整教师前缀决定，而非特权语义本身。OPSD 仅在狭窄的兼容区间内提升推理，否则会导致无效长度增长、稳定退化或行为崩溃。Token 级分析显示教师信号不稳定且无法预测下游性能，因此 OPSD 是一种敏感算法，而非普遍可靠的推理提升后训练方法。
来源：arXiv：cs.CL（计算语言学，全量分类） · arxiv.org