Une étude de distillation montre que la politique de rollout compte moins que la direction de la KL
1 sourcemis à jour il y a 5 jpertinence 3,3 sur5
L’essentiel
Sur Llama3 et Qwen2.5, la direction de la KL au niveau des tokens influence davantage la performance que le rollout on-policy. Le taux d’apprentissage gouverne l’oubli et la parcimonie des mises à jour.
Propagation1 article, publié par HF Daily Papers le 2 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceJulianna Piskorz, Antonin Berthon, Mihaela van der Schaarhuggingface.co
On-Policy or Off-Policy Learning? A Systematic Study of Distillation Dynamics (site externe)
On-policy learning has been argued to reduce catastrophic forgetting, produce sparser parameter updates, and improve generalisation.
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