研究提出MUSE多教师推理蒸馏框架

Liangbo Ning等作者发布论文，提出面向大语言模型推荐的多教师推理蒸馏框架MUSE：用多个教师大模型构建多样化推理池，再由学生模型自探索逐步扩展，以缓解单一教师带来的知识上限。 MUSE引入Rank-Gain Utility Assessment（RGUA），按真实物品在全目录中的排名提升来评估每条推理轨迹的推荐价值，再用双层对比学习让学生优先选择有益推理。作者称，在三个真实数据集上的实验显示该框架有效且稳健。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。