Mahdi Sabbaghi, George Pappas, Hamed Hassani, Adel Javanmard · 2026 · arXiv
DOI: 10.48550/arXiv.2610.31563 · open-access PDF
ऑनलाइन नीति डिस्टिलेशन (ओपीडी) अक्सर सीधे छात्र से नमूने वाले मार्गों पर प्रशिक्षण के माध्यम से ऑफ़लाइन तरीकों (एसएफटी) जैसे ऑफ़लाइन तरीकों से अधिक प्रदर्शन करता है. हालांकि, मानक ओपीडी छात्र को ट्रैक्चर के हर राज्य में शिक्षक का अनुसरण करने के लिए प्रशिक्षित करता है, यह मानते हुए कि शिक्षक मार्गदर्शन हमेशा फायदेमंद होता है. हम इसके बजाय क्या शिक्षक पसंद करता है और क्या वास्तव में वर्तमान छात्र को सफल करने में मदद करता है के बीच अंतर करते हैं. हम लाभ-आधारित नीति डिस्टिलेशन (एओपीडी) का परिचय करते हैं, जो छात्र के तहत उनके विपरीत लाभ के द्वारा शिक्षक कार्यों को वजन देते हैं।
Machine translation (Meta M2M100); the English original follows.
Online Policy Distillation (OPD) often outperforms offline methods such as Supervised Fine-Tuning (SFT) by training on trajectories sampled directly from the student. However, standard OPD trains the student to follow the teacher at every state of the trajectory, assuming that teacher guidance is always beneficial. We instead distinguish between what the teacher prefers and what actually helps the current student succeed. We introduce Advantage-Based On-Policy Distillation (AOPD), which weights teacher actions by their counterfactual advantage under the student. Teacher actions that improve th
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.31563, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange