← 返回 AIRadar 首页

Perplexity 解析模型训练新路径：通过“自我蒸馏”弥补 GRPO 细粒度反馈短板

Perplexity 指出 GRPO 等强化学习仅能提供整轮单标量奖励、缺乏步骤级信度分配的弊端，提出利用带特权信息的同模型自我蒸馏引入逐 token 级密集反馈。