オンポリシー逆蒸留による弱から強への汎化の誘発

要旨

弱から強への汎化は、より強いモデルがより弱い監督者から学習し、その監督者を超えられるかどうかを問う。この問いは、連続するモデル世代や複数ドメインの統合にとって特に重要である。そこでは、最先端規模のポストトレーニングをゼロから繰り返すことが法外に高コストになり得る。しかし従来の蒸留は、弱い教師を最適化対象として扱い、生徒モデルにその能力上限を課す可能性がある。我々はオンポリシー逆蒸留（OPRD）を導入する。これは、生徒モデルのロールアウト上で、教師のポリシーが参照ポリシーに対してどれだけずれているかを評価し、その方向に沿った、生徒モデルの検証器駆動型ポリシー勾配の成分を増幅する。検証器が支持する更新のみを再スケーリングすることで、OPRDはポリシー最適化の停留点を保ちながら、教師を超える学習を加速する。連続的モデル転移とマルチ教師蒸留の両方において、OPRDは既存のRLおよび蒸留手法よりも少ない生徒モデル更新で高い性能を達成する。応答スタイル分析は、OPRDの生徒モデルが弱い教師よりも、検証器ベースのRLのみで訓練されたモデルに近いままでいることを示し、教師の指導が生徒自身の最適化を方向転換させるのではなく加速させることを示唆する。従来の強→弱蒸留における結果はさらに、容量の順序にかかわらず、OPRDが検証器駆動型ポリシー最適化と教師の指導を効果的に組み合わせることを示している。

English

Weak-to-strong generalization asks whether stronger models can learn from weaker supervisors and surpass them. This question is particularly important for successive model generations and multi-domain consolidation, where repeating frontier-scale post-training from scratch can be prohibitively expensive. Yet conventional distillation treats the weak teacher as an optimization target, potentially imposing its capacity ceiling on the student. We introduce On-Policy Reverse Distillation (OPRD), which evaluates the teacher's policy shift relative to its reference policy on student rollouts and amplifies the component of the student's verifier-driven policy gradient along that direction. By rescaling only verifier-supported updates, OPRD preserves the stationary points of policy optimization while accelerating learning beyond the teacher. In both successive model transfer and multi-teacher distillation, OPRD achieves higher performance with fewer student updates than existing RL and distillation approaches. Response-style analysis shows that OPRD students remain closer to models trained with verifier-based RL alone than to their weak teachers, suggesting that teacher guidance accelerates rather than redirects the student's own optimization. Results in conventional strong-to-weak distillation further demonstrate that OPRD effectively combines verifier-driven policy optimization with teacher guidance regardless of capacity ordering.