#オンポリシー蒸留 のAIニュース

Hugging Face、RLVRとOPDを融合した新手法「SAF-OPD」を発表

Hugging Face は、検証可能な報酬を用いた強化学習（RLVR）とオンポリシー蒸留（OPD）の長所を組み合わせた新手法「SAF-OPD」を提案し、両者の固定係数によるエントロピー崩壊問題を解決するアプローチを示した。