机构

UCLA

美国洛杉矶的公立研究型大学,机器学习团队聚焦优化、大模型推理与强化学习理论。

SDPG 给验证器 RL 加一项全词表自蒸馏损失,让看过答案的模型逐 token 监督自己。Qwen3-4B 上 AIME25 从 GRPO 的 0.242 升到 0.327。