跳转至

Trajectory Learnability for Offline On-Policy Distillation

复现级别：L1 核心机制诊断。 本地执行逐 token 可学性聚合和轨迹加权；未复刻论文 GPU 训练预算。

论文信息

字段 内容
论文链接 Trajectory Learnability for Offline On-Policy Distillation
公司/机构 National University of Singapore（按第一作者署名单位）
首次公开日期 2026-09-16（arXiv v1）
原文开源代码 否：截至 2026-09-19 未找到原作者公开实现仓库
Adapter / 方法 trajectory-learnability
本地复现代码 src/auto_research/post_training/latest_20260919.py

原始论文总结

背景与主要改动

用成功轨迹训练参考模型，以参考与当前策略逐 token 对数似然变化衡量可学性，并据此重加权离线 OPD 轨迹。

flowchart LR
  I[公开输入/当前状态] --> M[trajectory-learnability 核心机制]
  M --> A[可审计中间量]
  A --> O[输出/状态更新]

原论文关键图

Trajectory Learnability for Offline On-Policy Distillation 原论文 Figure 2

原论文 Figure 2（关键图）：展示原论文方法的总体设计和关键组成。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

本地 reference kernel 保留论文决定性的门控、权重、状态转换或调度规则，并把中间量写入指标产物；具体公式与变量对应见实现函数及测试中的不变量断言。

论文离线与线上效果

论文报告的线上、benchmark、训练效率或推理速度只作为原文结果。本地三种子 artifact 只验证核心机制、形状和状态不变量，不与论文数字直接横比。指标见 metrics/mechanism-seeds42-44.json。

复现边界

本地执行逐 token 可学性聚合和轨迹加权；未复刻论文 GPU 训练预算。