SPLICE 用跨视图一致性筛选经验知识，并让模型与知识交替演化。
资讯摘要
论文提出 SPLICE 框架，用于一致性正则化的知识-模型协同演化。作者指出，同一经验经不同分析方式可得到效用差异很大的知识，因此通过扰动经验分析方式构造多个演化视图，以跨视图的共同增益指导知识更新；模型演化阶段用自蒸馏结合强化学习内化知识，并以效用一致下降的知识作对比参考。实验显示，SPLICE 在多个领域平均准确率上分别超过知识演化和模型训练基线最多 7.1 和 4.6 个百分点，演化知识使每个正确解的 token 数最多减少 44%，并可跨模型规模和家族迁移。
要点速读
- 论文提出 SPLICE，通过扰动同一经验的分析方式构造多个演化视图，用跨视图共同增益指导知识更新。
- 模型演化阶段以自蒸馏结合强化学习内化知识，并将效用一致下降的知识作为对比参考。
- 作者报告平均准确率超过知识演化和模型训练基线最多 7.1 与 4.6 个百分点，每个正确解的输出 token 最多减少 44%。
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 2026/10/24 08:00:37（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。