variational-policy-distillation

变分策略蒸馏（VPD）将语言反馈学习形式化为一个变分期望最大化问题，通过协同训练教师网络和学生网络，改进基于可验证奖励的强化学习中的策略学习。在代码生成和科学推理任务上，该方法相较于基线方法表现出持续改进。