研究人员将 on-policy distillation 扩展到更多 AI 模型

多篇最新及更新后的研究论文提出了 on-policy distillation 的不同变体。OPD 是一种后训练方法，利用教师模型信号来指导学生模型自己生成的轨迹。这些论文分别处理了多种失效模式：多模态教师之间的冲突、虚假的 token 级监督、图像生成模型家族不匹配、多教师 flow 模型、小型智能体中的工具调用级联，以及长时程多轮智能体训练。提出的方法包括 OPOD、SA-OPD、Any-OPD、Poly-OPD、SOD 和 ATOD。