研究对比RL与SFT教师用于OPD模型合并
热点事件持续更新
研究对比RL与SFT教师用于OPD模型合并
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
一项新研究对比了监督微调（SFT）与强化学习（RL）两种训练算法产出的教师模型，在 on-policy distillation（OPD）模型合并中的效果。研究由 Jingyuan Huang 等作者发表，教师与学生模型均基于 Qwen3.5-9B 初始化，并在 Agentic、Reasoning、Perception 三类任务上做受控单教师对比。 研究要回答的问题是：哪种训练算法产生的教师更适合 OPD。报道未给出哪种教师更优的结论。
AI 根据报道生成 · 2 小时前更新
最新进展10月8日 12:00
Train4Merge：RL 与 SFT 教师用于 OPD 模型合并的受控单教师对比研究报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv cs.LGTrain4Merge：RL 与 SFT 教师用于 OPD 模型合并的受控单教师对比研究
研究对比了 SFT 与 RL 两种训练算法产出的教师模型在 on-policy distillation（OPD）模型合并中的效果，教师与学生均基于 Qwen3.5-9B 初始化。
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。