論文の概要: Slow-Fast Multi-Teacher On-Policy Distillation for Capability Preservation
- arxiv url: http://arxiv.org/abs/2610.02324v1
- Date: Thu, 01 Oct 2026 18:00:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.038995
- Title: Slow-Fast Multi-Teacher On-Policy Distillation for Capability Preservation
- Title（参考訳）: 能動性維持のための低速マルチ教師オンポリティー蒸留
- Abstract要約: マルチテラーオンライン蒸留(MOPD)は、ドメイン固有の専門知識を単一学生モデルに統合するための効果的な枠組みを提供する。
本研究では,各教師が直接更新する高速なモデルと低速なモデルとを組み合わせたSlow-Fast Multi-Teacher On-Policy Distillation (SF-MOPD)を提案する。
複数のモデルスケールにわたる実験により、SF-MOPDは機能干渉を効果的に軽減し、特殊マルチモーダル能力を増強し、汎用性ベンチマークにおける平均劣化を低減することが示されている。
- 参考スコア（独自算出の注目度）: 13.08338155158876
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Foundation multimodal large language models are designed to support a broad spectrum of capabilities across diverse domains. Multi-teacher on-policy distillation (MOPD) provides an effective framework for consolidating domain-specific expertise into a single student model. However, MOPD training gradually drives the student away from its initialization model, and general capabilities decline as the displacement grows, resulting in capability interference. A direct remedy is constraining the student toward its initialization, but this suppresses the acquisition of domain expertise as well. We propose Slow-Fast Multi-Teacher On-Policy Distillation (SF-MOPD), which couples a fast model, the current student updated directly by each teacher, with a slow model, an exponential moving average of the student. The slow model absorbs the learning signal gradually, serving as a moving capability reference that fuses the general foundation with confirmed domain expertise. For each teacher, SF-MOPD computes the teacher-induced update in log-probability space and removes only the component that pushes the fast model further away from the slow model, while retaining aligned and orthogonal components. Experiments across multiple model scales demonstrate that SF-MOPD effectively mitigates capability interference, enhances specialized multimodal capabilities, and reduces the average degradation on general-capability benchmarks, consistently outperforming vanilla MOPD.
- Abstract（参考訳）: 基礎的なマルチモーダルな大規模言語モデルは、様々な領域にまたがる幅広い機能をサポートするように設計されている。
マルチテラーオンライン蒸留(MOPD)は、ドメイン固有の専門知識を単一学生モデルに統合するための効果的な枠組みを提供する。
しかし、MOPDトレーニングは、学生を初期化モデルから徐々に遠ざけ、変位が増加するにつれて一般能力は低下し、能力の干渉をもたらす。
直接療法は、学生を初期化に制約するが、これはドメインの専門知識の獲得も抑制する。
本研究では,各教師が直接更新する高速なモデルと,生徒の指数的な移動平均である遅いモデルとを結合した,低速マルチ教師オンポリシィ蒸留(SF-MOPD)を提案する。
遅いモデルは学習信号を徐々に吸収し、一般的な基礎をドメインの専門知識と融合させる移動能力参照として機能する。
各教師に対して、SF-MOPDは、教師が引き起こした対数確率空間の更新を計算し、高速モデルをスローモデルからさらに遠ざけるコンポーネントのみを、整列と直交のコンポーネントを保持しながら除去する。
複数のモデルスケールにわたる実験により、SF-MOPDは機能干渉を効果的に軽減し、特殊マルチモーダル能力を強化し、バニラMOPDを一貫して上回る一般能力ベンチマークの平均劣化を減少させることが示された。
関連論文リスト
- UniEvo-VL: An On-policy Self-Distillation Training Recipe for Multimodal Model Self-improvement [86.70117588532374]
建設的自己補正フィードバックから学習するマルチモーダルモデルのための自己進化フレームワークUniEvo-VLを紹介する。
実験により、UniEvo-VLはマルチモーダルモデルの画像生成能力を向上することが示された。
論文 参考訳（メタデータ） (2026-09-30T00:54:09Z) - No Pain, More Gain: Iterative Merging for Effective Multi-Teacher On-Policy Distillation [16.63198595022778]
マルチテラー・オン・ポリシー蒸留(MOPD)は、独自に開発されたドメイン教師を1人の学生に組み合わせ、学生が生成したサンプルの予測を蒸留する。
本研究では,教師が参照モデルを共有しながら異なる訓練手順を実践する環境について検討し,MOPDが教師の能力回復に苦慮していることを見出した。
我々は,MOPD (Iterative Merging for MOPD) を提案する。
論文 参考訳（メタデータ） (2026-09-28T09:37:22Z) - MOPD: Multi-Teacher On-Policy Distillation for Capability Integration in LLM Post-Training [29.71786876690702]
Multi-Teacher On-Policy Distillation (MOPD)は、複数のドメインRL教師の能力を組み合わせるためのポストトレーニングパラダイムである。
Qwen3-30B-A3Bでは、MOPDはMix-RL、Cascade RL、Off-Policy Finetune、Param-Mergeベースラインを上回っている。
論文 参考訳（メタデータ） (2026-06-29T14:51:28Z) - D-OPSD: On-Policy Self-Distillation for Continuously Tuning Step-Distilled Diffusion Models [27.90064267850009]
ステップ蒸留拡散モデルのための新しい訓練パラダイムであるD-OPSDを提案する。
D-OPSDにより、モデルは元の数ステップのキャパシティを犠牲にすることなく、新しい概念、スタイルなどを学ぶことができる。
論文 参考訳（メタデータ） (2026-05-06T17:59:34Z) - Progressive Weight Loading: Accelerating Initial Inference and Gradually Boosting Performance on Resource-Constrained Environments [8.020686883632594]
プログレッシブウェイトローディング(Progressive Weight Loading, PWL)は、最初は軽量の学生モデルをデプロイし、次にその層を事前訓練された教師モデルに置き換えることで、高速な初期推論を可能にする技術である。
VGG, ResNet, ViT アーキテクチャに関する実験により,PWL で訓練されたモデルは,教師層がロードされるにつれて,競争蒸留性能を維持し,徐々に精度を向上することを示した。
論文 参考訳（メタデータ） (2025-09-26T13:19:32Z) - Learning from Stochastic Teacher Representations Using Student-Guided Knowledge Distillation [64.15918654558816]
教師表現のフィルタリングと重み付けのための自己蒸留(SSD)訓練戦略を導入し,タスク関連表現のみから抽出する。
UCR Archiveのウェアラブル/バイオサインデータセット、HARデータセット、画像分類データセットなどの実世界の感情コンピューティングに関する実験結果は、提案したSSD手法が最先端の手法より優れていることを示している。
論文 参考訳（メタデータ） (2025-04-19T14:08:56Z) - Fuse Before Transfer: Knowledge Fusion for Heterogeneous Distillation [52.0297393822012]
異質な教師と学生間の機能的知識の伝達を容易にするために,橋梁としてアシスタントモデルを導入する。
提案した設計原理の中では, クロスアーキテクチャ帰納バイアスとモジュール関数の利点を組み合わせたアシスタントモデルが提案されている。
提案手法は, CNN, ViT, 空間KDの同種モデルペアと任意の異種組み合わせを用いて評価する。
論文 参考訳（メタデータ） (2024-10-16T08:02:49Z) - Exploring and Enhancing the Transfer of Distribution in Knowledge Distillation for Autoregressive Language Models [62.5501109475725]
知識蒸留(KD)は、より小さな学生モデルを模倣するように訓練することで、大きな教師モデルを圧縮する技術である。
本稿では、教師ネットワークが小さなオンラインモジュールを統合し、学生モデルと同時学習するオンライン知識蒸留(OKD)について紹介する。
OKDは、様々なモデルアーキテクチャやサイズにおけるリードメソッドのパフォーマンスを達成または超え、トレーニング時間を最大4倍に短縮する。
論文 参考訳（メタデータ） (2024-09-19T07:05:26Z) - Module-wise Adaptive Distillation for Multimodality Foundation Models [125.42414892566843]
マルチモーダル・ファンデーション・モデルは 目覚ましい 一般化性を示したが 規模が大きいため 展開に挑戦する
規模を減らすための効果的なアプローチの1つは層単位での蒸留であり、小さな学生モデルは各層で大きな教師モデルの隠された表現と一致するように訓練される。
そこで本研究では, 各モジュールの蒸留後の損失デクリメントを記録し, より頻繁な蒸留に寄与するモジュールを選択することによって, 個々のモジュールの寄与をトラックすることを提案する。
論文 参考訳（メタデータ） (2023-10-06T19:24:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。