新 RL 框架 Exploration-Distillation：让 LLM 训练敢于激进探索

研究者 Micah Goldblum 发布 Exploration-Distillation 强化学习框架，目标是解锁 LLM 在 RL 阶段的激进探索能力，性能大幅超越 DAPO 等标准算法。其核心观察是 RLVR 中的 LLM 已经过预训练，奖励只监督模型知识的极小部分，现有算法因此难以让模型在 RL 中真正发现新知识。该框架还能防止 RL 中通用能力退化，在匹配时间下优于 RND。