HuggingFace Daily Papers（社区热门论文）·2026-09-28 08:00· 1 天前AI 评分38

从强化学习视角看 OPD：面向样本高效 LLM 推理的最小二乘策略蒸馏

An RL View of OPD: Least Square Policy Distillation for Sample-Efficient LLM Reasoning

AI 导读

研究者从强化学习视角重新审视 on-policy distillation（OPD），提出 Least-Square Policy Distillation（LSPD）框架，将价值型 RL 中的乐观探索与 off-policy 数据复用引入策略蒸馏。