ExpDis 新 RL 框架：解耦探索与优化，超越 DAPO

研究者 Micah Goldblum 发布 RL 框架 Exploration-Distillation（ExpDis），将探索与优化解耦，让探索者模型激进探索并蒸馏出学生模型，据称性能大幅超越 DAPO 等标准算法。作者称 ExpDis 能隔离探索者与学生模型的退化，防止使用 novelty bonus 时的通用能力与知识退化；匹配训练时间下优于 RND。