verifier-advantages

标签

#verifier-advantages

自蒸馏策略梯度

Hugging Face Daily Papers ↗ · 2026-06-02 缓存

本文提出SDPG，一种自蒸馏策略梯度框架，结合在线策略自蒸馏、验证器优势及KL正则化，以提升强化学习的稳定性和性能。

0 人收藏 0 人点赞

← 返回首页

提交意见反馈