标签
本文提出解耦信用自蒸馏（DCSD），将信用方向和幅度分离用于自蒸馏，在11个基准测试中，数学推理提升8.45分，多模态推理提升7.01分。
结合GRPO和OPSD，CriPO是字节跳动和浙江大学提出的一种基于规则的强化学习方法，通过自蒸馏处理未探索和被抑制的标准，实现了更好的性能和计算效率。