Waypoint-OPD optimiza la destilación de políticas en RL mediante distinción de cambios
La destilación de políticas inducidas por el aprendizaje por refuerzo (RL) permite reutilizar la diferencia en las probabilidades logarítmicas de un modelo maestro antes y después del entrenamiento RL como supervisión para modelos de estudiante. Sin embargo, este enfoque tradicional no distingue si
