RLSD

RLSD (Reinforcement Learning with Verifiable Rewards with Self-Distillation) е нова парадигма за обучение на разсъждаващи AI модели. Методът комбинира надеждността на подсиленото обучение с верифицируеми награди (RLVR) и детайлната обратна връзка на самодистилацията. RLSD позволява по-бърза конвергенция и по-висока стабилност при обучение, като същевременно намалява изчислителните разходи.