ByteDance（字节跳动）

CriPO: Enhancing Rubric-based RL via Self-Distillation

通过自蒸馏增强基于评分标准的强化学习

Mingxuan Xia, Yuhang Yang, Chao Ye, Shuai Zhu, Shenzhi Yang, Guangcheng Zhu, Yuhang Zhang, Cheng Peng, Haobo Wang, Siqing Wang

机构 * Zhejiang University（浙江大学） ； ByteDance（字节跳动） 纠错

AI总结 研究基于评分标准的强化学习中探索有限问题，提出标准蒸馏策略优化（CriPO），通过策略内自蒸馏同时解决未探索标准和被抑制标准问题，在医学和科学基准测试中表现出色，减少优化步骤并提升性能。