**蒸馏强化学习：LLM后训练的新范式**

_Distilled Reinforcement Learning for LLM Post-training_

> 针对现有强化学习（RL）信用分配困难及策略蒸馏（OPD）知识迁移受限的问题，HuggingFace社区提出“蒸馏强化学习”（Distilled RL）。该方法将教师监督融入RL目标，通过反向重要性采样、负样本重置和序列级几何归一化三大组件，实现细粒度指导与选择性知识转移。实验表明，该技术在跨家族蒸馏场景下显著优于传统RL和OPD方法。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-07-21 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.17247)