研究者ら、AIモデル間のオンポリシー蒸留を拡張

複数の新規および更新版の研究論文が、学生モデルが生成した軌跡に対して教師シグナルを用いるポストトレーニング手法、オンポリシー蒸留の変種を提案している。これらの論文は、相反するマルチモーダル教師、トークン単位の疑似的な教師あり学習、画像生成モデルファミリーの不一致、複数教師によるフローモデル、小規模エージェントにおけるツール呼び出しの連鎖、長期的なマルチターンのエージェントトレーニングといった異なる失敗モードに取り組む。提案手法には、OPOD、SA-OPD、Any-OPD、Poly-OPD、SOD、ATODが含まれる。