跳转至

Data-free On-policy Distillation

复现级别：L1 核心机制诊断。 本地执行自生成问题的策略特征诊断；未生成自然语言训练集。

论文信息

字段 内容
论文链接 Data-free On-policy Distillation
公司/机构 Institute of Automation, Chinese Academy of Sciences / Tencent（按第一作者署名单位）
首次公开日期 2026-09-12（arXiv v1）
原文开源代码 否：截至 2026-09-16 未找到原作者公开仓库
Adapter / 方法 df-opd
本地复现代码 src/auto_research/post_training/latest_20260916.py

原始论文总结

背景与主要改动

由教师在自身策略空间生成问题，减少对外部后训练语料的依赖。

本地 reference kernel 保留决定性门控、权重或状态转换，并输出可审计中间量，以便与相邻方法在统一预算下比较。

flowchart LR
  I[公开输入与状态] --> M[df-opd 核心机制]
  M --> A[可审计中间量]
  A --> O[输出或策略更新]

原论文关键图

Data-free On-policy Distillation 原论文 Figure 1

原论文 Figure 1（关键图）：展示原论文的整体流程、关键阶段及其数据流向。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

实现保留论文的决定性状态转换，并输出权重、门控、深度、阶段或缓存统计；固定预算和三种子只用于检查机制不变量，不等同于论文规模训练。

论文离线与线上效果

论文报告的能力、速度或成本结论只作为原文事实记录；本地指标不与其直接横比，也不外推线上收益。

本地复现

三种子结果见 metrics/mechanism-seeds42-44.json。统一 receipt 标记 diagnostic_only=true，不会被公开看板当成完整能力提升。

复现边界

本地执行自生成问题的策略特征诊断；未生成自然语言训练集。