כתבה
arXiv cs.LG ·
דגמים קטנים, דחיות טובות: פריפרנצ'יה דיסטילציה סקיילינג
Smaller Models, Better Rejects: Preference Distillation Scaling
דגמים קטנים יותר יוצרים דחיות עם חישובי העתקה פחות, אך מכשירים תלמידים חזקים יותר. נמצא כי דגמים קטנים יותר יכולים לייצר דחיות עם חישובי העתקה פחות, וזאת על ידי פריפרנצ'יה דיסטילציה.
תקציר מקורי באנגליתarXiv:2609.38987v1 Announce Type: new Abstract: Preference distillation typically treats a teacher response as preferred and the student's own response as rejected. This assumes that self-generated failures are the most informative negatives and that rejects must come from a model at least as large as the student, making generation costly at scale. We find neither assumption holds: across students from 7B to 72B, smaller frozen models generate rejects with less inference compute yet train stronger students than self-generated rejects, before and after sequence-level knowledge distillation, on code generation and mathematical reasoning. To explain this result, we derive a finite-horizon utility bound for Direct Preference Optimization in a linearized feature model. The bound characterizes f
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית