Trust-Region Gedragsvermenging voor On-Policy Destillatie

Samenvatting

On-policy distillatie (OPD) traint een student op prefixen die zijn gesampled uit zijn eigen beleid, terwijl het een sterkere leraar evenaart. Dit lost de prefix-mismatch van offline distillatie op, maar vroege student-rollouts kunnen nog steeds slecht zijn, waardoor de supervisie van de leraar op zwakke of laagwaardige prefixen wordt geplaatst. Wij stellen Trust-Region behavior Blending (TRB) voor, een opwarmmethode die het vroege rollout-beleid vervangt door het dichtst bij de leraar liggende gedragsbeleid binnen een studentgericht KL-vertrouwensgebied, terwijl het per-prefix reverse-KL OPD-verlies ongewijzigd blijft. Het KL-budget wordt afgekoeld naar nul, zodat de training na de opwarming terugkeert naar zuivere student-rollouts. In twee wiskundige redeneerdistillatie-instellingen behaalt TRB het sterkste gemiddelde onder de vergeleken methoden.

English

On-policy distillation (OPD) trains a student on prefixes sampled from its own policy while matching a stronger teacher. This addresses the prefix mismatch of offline distillation, but early student rollouts can still be poor, placing teacher supervision on weak or low-quality prefixes. We propose Trust-Region behavior Blending (TRB), a warmup method that replaces the early rollout policy with the closest-to-teacher behavior policy inside a student-centered KL trust region, while keeping the per-prefix reverse-KL OPD loss unchanged. The KL budget is annealed to zero, so training returns to pure student rollouts after warmup. Across two math-reasoning distillation settings, TRB attains the strongest average among the compared methods.