为什么在大模型后训练中采用 On-Policy Distillation，和直接强化学习怎样取舍？

知识专题：蒸馏与模型合并题目类型：技术决策技术难度：进阶

相关面经：2 篇

未标记

Sorry o(╥﹏╥)o，暂无参考答案。带这道题，问问AI吧~

问 AI

Kimi 千问 ChatGPT

本题目录

相关面经

2 篇

字节跳动

2026-09-16面经合集

查看原面经 →

OPD 与普通 RL 训练是什么关系？

腾讯

2026-08-22面经合集

查看原面经 →

DeepSeek-V4大量采用在线策略蒸馏、替代纯RL迭代训练的设计考量