亚马逊新方法：用熵移位掩码自蒸馏训练 LLM judge，超 GRPO 2-9 个点

亚马逊研究团队用熵移位掩码自蒸馏训练 LLM judge，对高熵移位位置做掩码、保留低尾，改善分布外泛化。该方法用师生间逐位置熵移位区分 context sharpening 与 context spreading 两种模式，所得 judge 在主观子类上比 outcome-supervised RL（如 GRPO）高 2-9 个百分点，客观任务上仍具竞争力。