LoopOPD：循环语言模型跨循环在线策略蒸馏
原文标题：Recurrent Self-Improvement: Dynamic Cross-Loop On-Policy Distillation for Looped Language Models
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。
论文提出LoopOPD框架，利用循环语言模型内部额外的循环计算作为自身监督来源，以冻结的终端循环策略作为计算特权教师指导中间循环学生，无需外部教师或特权信息。进一步提出动态LoopOPD持续刷新教师实现循环自改进。在Ouro-Thinking模型上实验显示数学推理提升，并泛化到通用推理与代码生成。
深读 · 结论先行AI 生成展开看要点与影响 ↓
LoopOPD用循环模型终端循环当教师做跨循环蒸馏，Ouro-Thinking数学推理提升并泛化到代码
- •LoopOPD以冻结的终端循环策略作为计算特权教师，指导中间循环学生，在自生成轨迹上提供稠密监督
- •无需外部教师或特权信息，规避教师可得性受限与师生上下文不匹配问题
- •Dynamic LoopOPD持续刷新终端循环教师，实现循环自改进
- •刻画蒸馏更新跨循环深度的传播方式，推导单次更新同时改善两个循环深度的充分条件；在Ouro-Thinking上提升数学推理，并泛化到通用推理与代码生成
为什么重要：为循环语言模型的后训练提供了不依赖外部强教师的路径，对参数高效推理模型的训练方案有直接借鉴价值。
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
谷歌 Gemini 4 Carbon 全面超越 Opus 5.5，首发 Token 半价
AI 摘要谷歌发布 Gemini 4 Carbon，宣称在多项能力上全面超越 Opus 5.5，并推出首发 Token 半价优惠。该模型可连续数日修复 Bug，且具备免疫提示词注入的安全特性，加剧头部大模型竞争。
谷歌发布 Gemini 4 Carbon，主打网络安全能力跃升
AI 摘要谷歌推出前沿模型 Gemini 4 Carbon，在编程、智能体任务和网络安全方面显著提升，登顶 Artificial Analysis 智能指数，领先 Claude Opus 5.5 与 GPT-6 Astra。该模型目前仅向部分网络安全防御公司开放，定价与 Argon 相同，为每百万输入 token 2 美元、输出 10 美元。
谷歌发布 Gemini 4，API 限时半价
AI 摘要谷歌正式发布 Gemini 4，被视为重回大模型第一梯队的关键动作，同时推出 API 限时半价优惠。该发布对模型竞争格局与开发者成本结构均有直接影响。
谷歌 Meta 发布前沿模型，AI 竞赛重启
AI 摘要谷歌发布 Gemini 4 Argon，Meta 推出新前沿模型，两家公司声称可与 OpenAI 和 Anthropic 的旗舰模型匹敌。谷歌以激进定价策略切入市场，入门期价格比竞争对手低至80%。AI 前沿竞争格局重新洗牌。