谷歌研究人员提出了一种名为On-Policy Self-Training的自训练框架，将on-policy自蒸馏重新定义为无需依赖更强外部教师模型的后训练方法。该框架的核心创新在于把监督信号压缩到极限：模型仅依据粗粒度的高层主题描述...

一项突破性的研究提出了一种无需任何人工偏好标注即可训练视觉语言模型评判者的全新框架。该框架的核心在于通过自我合成数据实现迭代式自训练，从而摆脱了对昂贵且易过时的人工标注的依赖。其工作流程分为三个阶段：...