会员服务
OPD-Evolver: Cultivating Holistic Agent Evolver via On-Policy Distillation
Arxiv
0+阅读 · 6月16日
PowerOPD: Stabilizing On-Policy Distillation with Bounded Power Transformation
Arxiv
0+阅读 · 6月15日
On the Geometry of On-Policy Distillation
Arxiv
0+阅读 · 6月14日
Be My Tutor: On-Policy Co-Distillation for Mutual LLM Improvement via Peer Feedback
Arxiv
0+阅读 · 6月12日
X-Loco: Towards Generalist Humanoid Locomotion Control via Synergetic Policy Distillation
Arxiv
0+阅读 · 6月12日
OmniOPD: Logit-Free On-Policy Distillation via Speculative Verification
Arxiv
0+阅读 · 6月11日
NestRL: A Nested Training Regime for Mutual Adaptation in Human-AI Teaming
Arxiv
0+阅读 · 6月1日
Aletheia: What Makes RLVR For Code Verifiers Tick?
Arxiv
0+阅读 · 6月1日
Lattice Deduction Transformers
Arxiv
0+阅读 · 5月9日
TeleHunt: A Framework and Tool for Efficient Cybercriminal Community Discovery on Telegram
Arxiv
0+阅读 · 6月3日
HORIZON: Recoverability-Governed Curriculum for Physical-Domain Scaling
Arxiv
0+阅读 · 6月3日
Vision-OPD: Learning to See Fine Details for Multimodal LLMs via On-Policy Self-Distillation
Arxiv
0+阅读 · 5月19日
Discourse Diversity in Multi-Turn Empathic Dialogue
Arxiv
0+阅读 · 4月13日
Where-to-Learn: Analytical Policy Gradient Directed Exploration for On-Policy Robotic Reinforcement Learning
Arxiv
0+阅读 · 4月1日
Self-Distilled RLVR
Arxiv
0+阅读 · 4月3日
参考链接
微信扫码咨询专知VIP会员
Top