Смешивание поведения в доверительной области для дистилляции на политике

Аннотация

Дистилляция на политике (On-policy distillation, OPD) обучает студента на префиксах, семплированных из его собственной политики, одновременно подражая более сильному учителю. Это решает проблему несоответствия префиксов, присущую офлайн-дистилляции, однако ранние развертывания студента могут по-прежнему быть низкого качества, помещая супервизию учителя на слабые или некачественные префиксы. Мы предлагаем метод смешивания поведенческой политики с учетом доверительной области (Trust-Region behavior Blending, TRB) — метод разогрева, который заменяет политику ранних развертываний на поведенческую политику, наиболее близкую к учителю, внутри ориентированной на студента KL-области доверия, оставляя при этом потерю обратной KL-дивергенции для каждого префикса в OPD неизменной. Бюджет KL-дивергенции плавно уменьшается до нуля, так что после разогрева обучение возвращается к чистым развертываниям студента. В двух конфигурациях дистилляции для задач математического рассуждения метод TRB достигает наилучшего среднего результата среди сравниваемых методов.

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.