十种自蒸馏方法对比GRPO：增益有限

1. 12:00
   arXiv cs.CL

   更多方法就更好吗？智能体强化学习自蒸馏方法的现实检验

   一项研究在 ALFWorld、ScienceWorld、Search-QA 和 WebShop 上对比了十种代表性自蒸馏方法与 GRPO，覆盖三种模型规模，共完成 132 次训练、累计 12,124.4 H800 GPU-hours。结果显示，各方法相对 GRPO 的增益范围有限，没有一种方法能在所有设置下稳定胜出；出色的最终性能还可能掩盖训练不稳定，而额外训练成本也未必换来更好表现。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。