NP-OPD：引入负策略采样的在线蒸馏方法

Jaehui Hwang 等作者提出 Negative-Policy OPD（NP-OPD），在在线策略蒸馏的采样阶段引入能力更弱、表现更差的负策略，使其持续提供教师不偏好的 token，让学生在接受教师正向监督的同时获得显式负向信号。 作者称已通过实验验证该方法，代码将在论文给出的链接发布。

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。