具有可验证奖励的强化学习（ RLVR ）是改进语言模型推理的强大配方，但在每个新的强模型上重复使用都是昂贵的，因为目标模型必须在训练期间生成许多推广。随着模型规模的扩大，后期培训本身就成为一个瓶颈。我们研究了一种从弱到强的替代方案：在较小的模型上运行RL ，其中推出更便宜，然后

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2607.05394v1)获取最准确的信息。

---
🔗 **原文链接**: [Weak-to-Strong Generalization via Direct On-Policy Distillat](https://arxiv.org/abs/2607.05394v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Shiyuan Feng, Huan-ang Gao, Haohan Chi, Hanlin Wu, Zhilong Zhang, Zheng Jiang, Bingxiang He, Wei-Ying Ma, Ya-Qin Zhang, Hao Zhou

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-07-07 14:01