研究提出基于评分标准的黑盒在线策略蒸馏方法
热点事件持续更新
研究提出基于评分标准的黑盒在线策略蒸馏方法
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
Zhepei Hong 等作者提出基于评分标准的黑盒在线策略蒸馏方法 ROPD：通过对比教师回答与学生当前 rollout 生成评分标准，用这些标准为学生 rollout 打分，从而在不访问教师 logits 的情况下完成在线策略优化。 作者称，在四个竞赛数学基准上，纯文本 ROPD 优于基于 logits 的 OPD，并以 9.6 倍更少的训练样本达到标准 logit-based OPD 的最佳 AIME24 准确率。
AI 根据报道生成 · 48 分钟前更新
最新进展11月11日 13:00
基于评分标准的黑盒在线策略蒸馏 ROPD：用文本反馈替代教师 logits报道时间线
沿着报道，了解事件的不同侧面。
11月11日
- arXiv cs.AI基于评分标准的黑盒在线策略蒸馏 ROPD：用文本反馈替代教师 logits
研究提出 ROPD，通过对比教师回答与学生当前 rollout 生成评分标准（rubric），为黑盒在线策略蒸馏提供纯文本反馈接口。在四个竞赛数学基准上，纯文本 ROPD 优于基于 logits 的 OPD，以 9.6 倍更少的训练样本达到标准 logit-based OPD 的最佳 AIME24 准确率。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。