综述用统一框架梳理在线策略蒸馏的方法与设计取舍。
资讯摘要
这篇综述论文围绕在线策略蒸馏（OPD）建立统一分析视角，即由学生模型生成轨迹、教师模型提供指导，以缓解固定示范与部署时实际状态不匹配的问题。作者从学生生成状态、教师信息与策略更新三者的互动出发，把基础蒸馏与自蒸馏、多教师整合、强化学习及交互式智能体联系起来，讨论不同设定如何改变学生可获得的监督信号，并将其与能力迁移、训练效率和部署关联。
要点速读
- 论文提出以学生生成状态、教师信息和策略更新三者的互动来统一理解 OPD。
- 该框架连接基础蒸馏、自蒸馏、多教师整合、强化学习与交互式智能体。
- 作者关注学生演化过程中指导何时仍可靠且可学习，并讨论监督适配与算力分配的开放挑战。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。