arXiv:2606.03620v1 Announce Type: cross Abstract: Self-distilled policy optimization (SDPO) has become a popular paradigm for LLM post-training, where a model learns from its own predictions conditioned on privileged information. SDPO, however, is sensitive to how much each update step should be trusted: corrections from a self-teacher can be...
Les hele artikkelen hos kilden.
![[Ekstra] Over én million lærere er flyttet over på en åpen kildekode-plattform](https://images.gfx.no/1000/2928/2928382/Skjermbilde%202026-06-17%20kl.%2010.49.41.png)
Kommentarer (0)
Ingen kommentarer ennå. Bli den første til å kommentere!