新 RL 框架 Exploration-Distillation：突破 LLM 探索瓶颈，性能超 DAPO

研究者 Micah Goldblum 提出 Exploration-Distillation（ExpDis）强化学习框架，旨在解锁 LLM 在 RL 中的激进探索能力，性能大幅超越 DAPO 等标准算法。该方法将探索者（explorer）与学生（student）隔离，避免探索者能力退化污染学生模型，在提升探索多样性的同时保持通用能力。在匹配时间下，ExpDis 表现优于 RND。