RLVR 时序自蒸馏：让模型向近未来自己学习

1. 12:00
   arXiv：cs.LG

   让模型向"近未来"的自己学习：RLVR 的时序自蒸馏方法

   研究者提出时序自蒸馏，让策略从自身训练后期更强的 checkpoint 获取指导，并认为最有用的"时序教师"不必是最强的，而需在新增能力与学习者兼容性之间平衡。其中 NPO 用已验证的未来自我轨迹做离策略行为迁移，在八个图文基准上把 GRPO 从 60.25 提升到 62.84，AutoNPO 达 63.15；NPD 的近未来教师在持续 RL 后达 63.23，高于远未来教师的 61.92。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。