**Token-Level Off-Policy Learning for Faithful Generation Under Distribution Shift**

> 提出TOPL范式，将后训练重构为词元级正确性预测任务，通过区分好坏词元引导模型生成，避免直接训练离策词元的缺陷。在文档摘要和机器翻译任务中展现出强大的分布外泛化能力，且LoRA适配器具有可解释性。

**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/2607.17524)