SAF-OPD:用于在线策略蒸馏的稳定优势融合
摘要
SAF-OPD 引入了一种稳定优势融合框架,将 RLVR 与在线策略蒸馏相结合,解决了幅度失配和时间失配问题,从而提高了数学和代码基准测试中的训练稳定性与性能。
查看缓存全文
缓存时间: 2026/08/03 13:32
论文页面 - SAF-OPD:面向同策略蒸馏的稳定优势融合
来源:https://huggingface.co/papers/2607.29209 发布于 7 月 31 日
·
提交者:https://huggingface.co/dingyii
dingyi (https://huggingface.co/dingyii) 于 8 月 3 日
摘要
带可验证奖励的强化学习(RLVR)将单一的反应级奖励广播给每个 token,而同策略蒸馏(OPD)则针对每个 token 与更强的教师模型进行评分,以提供密集优势,但这种方法会将性能上限限制在教师质量以内,并抑制超出该范围的探索。两者具有互补性,因此将 RLVR 与 OPD 结合起来很有前景,但我们发现,使用固定系数融合这两种优势会因两种校准失配而引发熵坍缩:一是量级失配,即 token 级别的 OPD 优势可能飙升至远超有界 RLVR 优势的范围,从而抹除其信号;二是时间失配,即持续全强度的 OPD 不断将学生模型拉向教师模型,限制了超越教师模型所需的探索。我们提出 SAF(Stable Advantage Fusion,稳定优势融合)框架,通过一个轻量级、四阶段流水线来解决这两个问题,该流水线仅应用于 OPD 优势:先稀疏化再压缩的机制用于量级控制,配合先预热再退火的机制用于时间控制,每个阶段均可独立开关,且额外开销可忽略不计。我们以 GRPO 实例化 RLVR,在七个数学推理和代码生成基准上使用 Qwen3-1.7B/4B/8B 评估 SAF:SAF 避免了熵坍缩,并且一致优于固定系数的 GRPO+OPD 融合,在所有六个模型-领域设置中将聚合分数提升了 0.51-2.70%,同时实现了更稳定的训练。
查看 arXiv 页面 (https://arxiv.org/abs/2607.29209) 查看 PDF (https://arxiv.org/pdf/2607.29209) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.29209)
在您的 agent 中获取此论文:
hf papers read 2607\.29209
没有最新的 CLI?curl \-LsSf https://hf\.co/cli/install\.sh \| bash
引用此论文的模型 0
暂无模型关联此论文
请在模型 README.md 中引用 arxiv.org/abs/2607.29209 以从此页面关联该模型。
引用此论文的数据集 0
暂无数据集关联此论文
请在数据集 README.md 中引用 arxiv.org/abs/2607.29209 以从此页面关联该数据集。
引用此论文的 Space 0
暂无 Space 关联此论文
请在 Space README.md 中引用 arxiv.org/abs/2607.29209 以从此页面关联该 Space。
包含此论文的收藏集 0
暂无收藏集包含此论文
将此论文添加到收藏集 (https://huggingface.co/new-collection) 以从此页面关联它。
相似文章
通过直接在线策略蒸馏实现弱到强泛化
Direct-OPD 通过从小模型的预强化学习和后强化学习检查点中蒸馏策略变化,利用在线策略蒸馏改进较大的学生模型,无需在学生模型上执行昂贵的强化学习即可实现显著提升。
OPRD:在策略表示蒸馏
OPRD提出了一种新的知识蒸馏方法,该方法在策略部署期间跨层对齐学生和教师的隐藏状态,消除了来自词空间KL估计的采样方差。实验表明,OPRD在数学推理基准(AIME 2024/2025、AIMO)上优于输出空间基线,同时速度快1.44倍,内存使用减少54%。
TurnOPD: 使在线策略蒸馏对回合感知以实现高效长程智能体训练
TurnOPD 引入了回合级别的预算机制用于长程智能体的在线策略蒸馏,通过自适应 rollout 深度和渐进式回合归一化损失预算解决了传统 OPD 的低效问题,在相同训练预算下实现了更高的准确性。
LastOPD:抑制潜在在策略蒸馏中的崩溃
论文提出LastOPD方法,该方法通过仅在短交叉过渡期的最后一层应用潜在信号,防止潜在在策略蒸馏中的崩溃,进而在MATH-500等基准测试中提升性能。
β-OPSD:以策略优化推导,以自蒸馏训练
本文介绍了β-OPSD,它是同策略自蒸馏(OPSD)的一种泛化形式,将其构建为一个具有可控KL惩罚的策略优化家族。该方法利用蒸馏来近似昂贵的策略优化,在数学基准上提升了稳定性和推理性能。