SGPO 论文提出策略蒸馏替代轨迹模仿提升 LLM 推理
热点事件持续更新
SGPO 论文提出策略蒸馏替代轨迹模仿提升 LLM 推理
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Tianyuan Shi 等在 arXiv 发布论文，提出策略引导策略优化（SGPO），用可复用的策略蒸馏替代实例级轨迹模仿来强化大语言模型推理。框架通过 token 级 forward-KL 目标和自适应实例级加权决定蒸馏的方式与时机。 在四个数学基准、两个模型家族上的实验中，SGPO 一致优于 SFT、on-policy RL 等基线，在 Qwen2.5-7B-Instruct 上较最强基线平均提升 2.2 分。
AI 根据报道生成 · 2 小时前更新
最新进展10月27日 12:00
超越轨迹模仿：策略引导策略优化（SGPO）提升大语言模型推理报道时间线
沿着报道，了解事件的不同侧面。
10月27日
- arXiv cs.AI超越轨迹模仿：策略引导策略优化（SGPO）提升大语言模型推理
一项 arXiv 论文提出策略引导策略优化 SGPO，用可复用策略蒸馏替代实例级轨迹模仿来强化大语言模型推理。框架通过 token 级 forward-KL 目标和自适应实例级加权决定蒸馏方式与时机。在四个数学基准、两个模型家族上，SGPO 一致优于 SFT、on-policy RL 等基线，在 Qwen2.5-7B-Instruct 上较最强基线平均提升 2.2 分。
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。