HalcyonTự chưng cất theo thời gian trong không gian hàm phục vụ tối ưu hóa chính sách
Function-Space Temporal Self-Distillation for Policy Optimization
Đoạn trích bài viết
Reinforcement Learning with Verifiable Rewards (RLVR) improves reasoning in language models, but scalar outcomes provide coarse supervision over response trajectories.
Toàn văn bài viết
Mở bài viết gốc
Đọc bài viết đầy đủ trên huggingface
Mở bài gốc để xem trọn vẹn chi tiết và dẫn chứng.