CC-OPD：反事实约束条件策略蒸馏提升多约束指令遵循
原文标题：Counterfactual Constraint-Conditioned On-Policy Distillation for Multi-Constraint Instruction Following
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
针对多约束指令遵循中模型常违反部分约束的问题，论文提出 CC-OPD，反转蒸馏中监督信号的生成方向：逐一从教师的条件中消融每个约束，用由此产生的逐 token 概率差构建约束信号。该方法无需外部验证器，在两组 Qwen 模型对与七个基准上取得最优平均成绩，1.5B 学生模型在 MulDimIF 上超越其 7B 强化学习教师。
- 问题
- 多约束指令遵循中，模型常违反部分约束，现有蒸馏监督信号随约束增多被稀释。
- 方法
- 反转蒸馏方向：逐个从教师条件中消融约束，用逐 token 概率差构造约束信号，无需外部验证器。
- 结果
- 两组 Qwen 模型对、七个基准上平均成绩最优；1.5B 学生在 MulDimIF 上超过其 7B 强化学习教师。
- 影响
- 无需验证器的蒸馏塑形项可直接接入现有 OPD 流程，小模型也能在多约束任务上超过大教师。
深读 · 结论先行AI 生成展开看要点与影响 ↓
CC-OPD 反向消融教师约束构造信号，1.5B 学生在 MulDimIF 上反超 7B RL 教师。
- •思路反转：不是给教师加信息，而是逐一从教师条件中消融每个约束
- •用逐 token 概率差（leave-one-out 对数似然偏移）求和裁剪，作为 token 级 shaping 项加入 OPD 奖励
- •蒸馏全程用冻结教师，无需外部验证器；偏移为零处奖励等同 vanilla OPD
- •在两组 Qwen 模型对与七个基准上取得学生训练方法中最高平均成绩
- •1.5B 学生模型在 MulDimIF 上超过其 7B 强化学习教师
为什么重要：多约束指令遵循的监督信号获取成本高，该方法免验证器且小模型可超教师，对蒸馏管线设计有直接借鉴意义。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。