ExpDis：把 RL 探索与优化解耦，用探索者蒸馏出更强学生模型

Micah Goldblum 提出 Exploration-Distillation（ExpDis），把 RL 探索与优化解耦，先用带激进探索机制的 RL 训练「探索者」LLM 合成数据，再把成功发现蒸馏进学生模型。