研究显示RL训练教师更适合OPD模型合并
热点事件持续更新
研究显示RL训练教师更适合OPD模型合并
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
一项arXiv研究（arXiv:2609.32303）系统比较了强化学习（RL）与监督微调（SFT）两种方式训练的教师模型在在线策略蒸馏（OPD）模型合并中的表现，结论是RL教师整体更优：单教师实验中RL教师在Agentic、Reasoning、Perception三个领域均带来更强的学生模型和更高的教师性能增益恢复；多教师OPD（MOPD）下，RL教师组的三个领域平均分也更高。 实验中教师和学生均基于同一Qwen3.5-9B初始化，且两种教师模型在相近任务性能水平上进行比较，以保证对比可控。
AI 根据报道生成 · 2 小时前更新
最新进展10月26日 12:00
Train4Merge：RL 还是 SFT 更适合训练 OPD 模型合并的教师模型报道时间线
沿着报道，了解事件的不同侧面。
10月26日
- arXiv cs.AITrain4Merge：RL 还是 SFT 更适合训练 OPD 模型合并的教师模型
一项 arXiv 研究系统比较了 RL 与 SFT 训练的教师模型在在线策略蒸馏（OPD）合并中的表现，教师和学生均基于同一 Qwen3.5-9B 初始化。在 Agentic、Reasoning、Perception 三个领域的单教师实验中，RL 教师均带来更强学生和更高的教师性能增益恢复；多教师 OPD（MOPD）下 RL 教师组的三域均分也更高。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。