词典序多目标在线蒸馏
英文标题：Lexicographic Multi-Objective On-Policy Distillation
该论文提出“词典序多目标在线蒸馏”（Lexicographic Multi-Objective On-Policy Distillation）方法，发表于 arXiv:2610.02359v1。摘要指出，基于可验证奖励的强化学习（RLVR）通常主要优化答案正确性，但实用的大语言模型行为还需要高质量推理与简洁回答。论文关注多奖励后训练场景中不同目标之间的协调问题，对开发者构建兼顾正确性、推理质量和输出效率的模型具有参考意义。
打开原文相关 1.6 · 机会 0
2.1 KB
640 B
612 B
380 B
9.1 KB
32.7 KB
22.8 KB
24.2 KB
34.7 KB
中文
BibTeX 格式引用
English / 原文
BibTeX formatted citation
×