#on-policy distillation のAIニュース

LMSYS、Miles にオンポリシー蒸留（OPD）機能を追加し学習フローを強化

LMSYS はモデル学習フレームワーク「Miles」にオンポリシー蒸留（OPD）を実装し、教師モデルの指導のみまたは GRPO/PPO 型強化学習と組み合わせた学生モデルの訓練が可能になったと発表した。