SDPO 论文精读：让强化学习从“结果分数”转向“失败反馈”学习
解读 Reinforcement Learning via Self-Distillation 如何把运行时报错、判题文本和成功样例转成密集信用分配，并在代码、推理与测试时训练中提升样本效率。
Latest
最新文章
读懂 SDFT：Self-Distillation 如何让模型持续学习而不遗忘
精读 Self-Distillation Enables Continual Learning，拆解 SDFT 如何把示范学习改写成近似 on-policy 的自蒸馏，并分析它为何比 SFT 更能抗遗忘。
Self-Distilled Reasoner 论文精读：同一个模型，如何用标准答案教会“较弱的自己”推理
解读 Self-Distilled Reasoner 如何提出 OPSD，用同一 LLM 的 teacher/student 双上下文做 on-policy self-distillation，在数学推理中以更低采样成本追平或超过 GRPO。