Hugging Face Daily Papers·· 2 天前AI 评分32
Waypoint-OPD：通过门控同策略蒸馏迁移 RL 引发的策略偏移
Waypoint-OPD: Transferring RL-Induced Policy Shifts via Gated On-Policy Distillation
AI 导读
Waypoint-OPD 提出一种门控同策略蒸馏方法，利用同一次 RL 训练中的中间教师 checkpoint，比较早期与晚期策略偏移在学生访问前缀上的方向一致性，从而对端点偏移进行门控，方向相反时予以抑制。
来源：Hugging Face Daily Papers · huggingface.co