Towards Data Science | Medium 日本語 フォロー On-Policy Self-Distillationは、Post-Trainingに革命を起こせるか? 基盤モデルに新しいスキルを壊さずに教えることは難しい。新しい強化学習ベースのアプローチがそれを変える力を持つかもしれない。 Could On-Policy Self-Distillation Revolutionize Post-Training? towardsdatascience.com Towards Data Science | Medium 日本語 RSS thenote.app