OASIS corrige la perte d’efficacité de l’auto-distillation on-policy quand la taille des modèles augmente
1 sourcemis à jour il y a 6 jpertinence 3,3 sur5
L’essentiel
OASIS supervise surtout des trajectoires vérifiées et n’exige que les réponses finales. Sur Qwen3, il gagne 3,2 à 3,8 points en moyenne, alors que le gain d’OPSD passe de 3,05 points à 1,7B à 0,14 à 8B.
Propagation1 article, publié par HF Daily Papers le 1 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceMd. Ismail Hossain, Humaira Kousar, Isidora Chara Tournihuggingface.co
Overcoming Scaling Limits in On-Policy Self-Distillation for LLM Reasoning (site externe)
On-policy self-distillation (OPSD) trains a student to match a privileged teacher distribution along its own sampled trajectory.
Sur les mêmes thèmes
Recherche
Xiaomi publie MiMo-V2.6-Pro, un modèle open-weights omnimodal de 1 000 milliards de paramètres
Recherche
Xiaomi MiMo publie MiMo-V2.6-Distill-Qwen-9B, un modèle agentique de 9 milliards de paramètres
Recherche
Reflection dévoile Beam, un modèle d’IA de 501 milliards de paramètres
Recherche
OpenAI publie 722 manuscrits de mathématiques issus d’un modèle interne non diffusé
À lire ensuite
Modèles
Google DeepMind annonce Gemini 4 Argon, déployé d’abord auprès de défenseurs cyber de confiance via Fairwind
Modèles
OpenAI lance GPT-6 Sol et GPT-6 Luna, deux modèles plus économiques qui complètent GPT-6 Astra
Modèles
Anthropic publie Claude Opus 5.5 et OpenAI lance GPT-6 Sol et GPT-6 Luna à environ une heure d’écart
Modèles
Anthropic lance Claude Sonnet 5.5, deuxième modèle de la famille Claude 5.5