SGPO：以策略蒸馏替代轨迹模仿

研究者 Tianyuan Shi 等提出 Strategy-Guided Policy Optimization（SGPO），用可复用的策略蒸馏替代实例级轨迹模仿，以改进大语言模型的推理蒸馏。 据该研究称，此前的轨迹模仿只教模型“答什么”，而非“怎么推理”，SGPO 针对的正是这一问题。目前公开信息仅为其自述的方法主张，尚未见效果验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。