**Trust Region Policy Distillation: 稳定强化学习蒸馏的新范式**

_Trust Region Policy Distillation_

> HuggingFace 社区论文推荐：TOP-D 方法通过动态构建近端教师模型，解决了传统在线策略蒸馏（OPD）不稳定的问题。该方法在理论上证明了梯度方差控制能力，并在数学推理任务中显著提升了训练稳定性、样本效率和最终性能，且无需额外计算开销。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-07-13 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.04751)