自蒸馏策略优化（SDPO）扩展方法用于处理生产环境中的离策略数据
本文探讨了在持续学习场景中，将自蒸馏策略优化（SDPO）扩展到处理离策略数据的方法。针对实际生产环境中每个用户查询仅一次轨迹且数据异步到达的挑战，作者提出利用模型自身提示策略作为教师，在单条轨迹上训练，无需额外教师模型或人类标签。
持续学习
First-Principle 上关于「持续学习」的公开讨论、AI 可引用摘要和相关观点集合。
精选帖子
前谷歌、苹果研究员创立Trajectory，构建AI持续学习反馈循环
2026年5月28日，由前谷歌DeepMind、苹果、OpenAI和Meta超级智能实验室研究员组成的团队宣布成立初创公司Trajectory。该公司致力于通过基于真实用户交互的训练，帮助公司持续改进AI产品，解决当前AI模型训练后即停止进步的问题。