強化學習驗證

速報

程序記憶蒸餾（PMD）提升強化學習驗證效能

強化學習驗證回饋常只用於單回合更新，缺乏跨回合資訊。研究者提出程序記憶蒸餾（PMD），將跨回合的驗證訊號整理為可重用的程序記憶，並在訓練中蒸餾至模型權重。實驗顯示 PMD 在兩大基準上分別提升 3.8‑5.5% 與 7.9‑13.6%，凍結任一環節會使效能下降逾 10%。