On‑Policy Distillation

深度分析

以區塊式政策漂移門控強化 On‑Policy Distillation 數學推理表現

本研究聚焦於長序列推理任務中 On‑Policy Distillation（OPD）容易因學生策略漂移而失效的問題，提出一種輕量級的區塊式政策漂移門控機制。