LastOPD：解决潜在在线策略蒸馏的崩溃问题
原文标题：LastOPD: Taming Collapse in Latent On-Policy Distillation
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。
论文发现在将 Qwen3-4B/8B 蒸馏到 Qwen3-1.7B-Base 时，潜在监督会出现「早期增益、后期崩溃」现象，且对齐指标越好性能反而越差。作者提出 LastOPD，仅在最后一层状态施加潜在信号，并在 10 步内过渡到 token 级在线策略蒸馏。实验显示 MATH-500 分别提升 5.55 和 4.02 分，且约一半步数即可达到基线最终分数。
- 问题
- 潜在在线策略蒸馏出现早期增益、后期崩溃，对齐越好性能越差。
- 方法
- 仅在最后一层状态施加潜在信号，并在 10 步内过渡到 token 级在线策略蒸馏。
- 结果
- MATH-500 分别提升 5.55 和 4.02 分，约一半步数达到基线最终分数
- 影响
- 让潜在监督真正可用于小模型蒸馏，避免训练后期性能崩塌，节省大量算力。
深读 · 结论先行AI 生成展开看要点与影响 ↓
潜在监督蒸馏 Qwen3-4B/8B 到 1.7B 时先涨后崩，LastOPD 只取最后一层信号，MATH-500 提升 5.55/4.02。
- •潜在监督单独作用时，MATH-500 从 25 在 10 步内升到 46，随后持续退化到 11 且无法恢复
- •对齐指标在整个崩溃过程中持续变好，对齐最好的模型反而表现最差
- •作者推测原因是按深度配对的层在两个模型中角色不同，持续对齐会把学生拉向它无法理解的教师状态
- •LastOPD 仅在最后一层状态施加潜在信号，并在 10 步内过渡到 token 级在线策略蒸馏
- •MATH-500 分别提升 5.55 和 4.02 分，约一半步数即可达到基线最终分数
为什么重要：揭示「对齐指标越好、行为越差」这一反直觉失效模式，对做小模型蒸馏的人是一个具体的避坑信号。
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。