AI 요약 · 영어에서 AI 번역

Rethinking Self-Distillation for Multi-Teacher Capability Merging

Roy Xie, Dan Friedman, Feng Nan, Yukun Huang, Zhichao Xu, Chengjiu Zhang, Jun Xu, Manaal Faruqui, Vivek Rathod, Bhuwan Dhingra

arXiv:2610.04272v1cs.LGcs.AIcs.CL

TL;DR

MOPD는 학습 및 환경 상호작용 비용이 더 높지만, 통제된 조건에서 독립적으로 조정한 기준선과 비교했을 때 보고된 이점 중 얼마나 유지되는지는 불분명하다. 이 논문은 두 가지 다중 교사 설정, 네 개 모델, 열한 개 벤치마크에서 네 가지 증류 방법과 가중치 병합을 비교하고, 기존에 발표된 네 가지 비교 결과를 재검토한다. 각 방법은 도메인 내 성능 회복에서 비슷한 결과를 보였으며, MOPD는 훨씬 더 많은 학습 GPU-hours를 요구하고 개선된 SFT 학습 방식은 기존에 보고된 격차를 줄인다.

  • 문제

    연산 및 환경 상호작용 비용의 차이에도 불구하고, 통제된 조건에서 온폴리시 증류와 오프폴리시 증류를 체계적으로 비교한 연구는 여전히 제한적이다.

    출처: §1 · pp. 1–2
  • 방법

    이 연구는 두 가지 다중 교사 설정과 네 개 모델에서 SFT, Soft-KD, Offline-MOPD, MOPD, 가중치 병합을 비교하고, 기존에 발표된 SFT–OPD 비교 네 건을 재검토한다.

    출처: §1 · p. 2, §7 · p. 10
  • 결과

    네 개 모델과 두 가지 설정에서 MOPD가 일관되게 더 나은 도메인 내 성능 회복을 보이지는 않는다. Qwen3-8B에서 MIA와 Agent×3에 사용한 학습 GPU-hours는 각각 SFT의 14.8×와 23.1×다.

    출처: §7 · p. 10
  • 시사점 및 한계

    세심하게 조정한 오프폴리시 증류와 학습이 필요 없는 가중치 병합은 전문가 역량을 통합하는 데 비용이 적게 드는 실용적인 대안이지만, 병합 성능은 모델 크기와 과제 구성에 따라 달라진다.

    출처: §7 · p. 10

    이 연구는 네 개 모델과 두 가지 다중 교사 설정을 다루며, 더 큰 규모나 호환성이 낮은 교사 모델에서도 오프폴리시 증류가 경쟁력을 유지하는지는 규명하지 않는다.

    출처: H Limitations · p. 28

Abstract

from arXiv · show

Combining capabilities of multiple expert models trained starting from the same base checkpoint has become increasingly common in frontier language-model post-training. Recent trends suggest that multi-teacher on-policy distillation (MOPD) outperforms conventional off-policy methods. However, despite the higher inference and environment interaction costs incurred by MOPD, we find that much of its reported accuracy gain is due to certain training design choices and hyperparameter optimization, rather than the algorithm itself. We conduct a controlled self-distillation study across two multi-teacher settings, four models, and eleven benchmarks, comparing off-policy methods, namely supervised fine-tuning (SFT) and soft-label distillation, to hybrid teacher-prefix distillation and MOPD. We found that all four methods achieve \textit{nearly identical} accuracy. However, MOPD uses $14.8$--$23.1\times$ SFT's training GPU-hours. We also revisit four recently published comparisons between on-policy and off-policy distillation and find that the reported on-policy gains shrink substantially when SFT baselines are trained on rejection-sampled teacher trajectories and use independently tuned hyperparameters. As a training-free alternative, we also find that simple weight-merging methods can recover expert capabilities with minutes of CPU merging time, although their accuracy degrades as model size decreases and task interference increases. Overall, our results question recent gains reported due to MOPD and suggest careful tuning of more efficient off-policy baselines as a viable alternative.

1 서론

전문가 역량이 서로 다른 모델에서 개발되는 추세지만, 보고된 MOPD 성능 향상 중 얼마나 많은 부분이 학습 설계가 아니라 on-policy supervision에서 비롯되는지는 여전히 불분명하다. 통제된 비교에서 저자들은 튜닝한 off-policy 방법이 훨씬 낮은 학습 비용으로 비슷한 정확도에 도달하며, 더 강력한 SFT 레시피를 사용하면 기존에 보고된 격차가 줄어든다고 밝혔다.

1 서론

  • MOPD에서 학생 모델이 반복적으로 생성하고 교사 모델이 점수를 매기므로 연산 및 인프라 비용이 증가하며, agentic rollout에서는 실제 환경과의 상호작용도 필요하다.Off-policy 방법은 고정된 전문가 궤적을 재사용해 학습 중 환경과의 상호작용을 피한다.출처: §1 · pp. 1–2
  • 재현한 네 가지 SFT–OPD 비교에서 rejection sampling으로 추출한 교사 궤적과 독립적으로 튜닝한 learning rate를 사용하자 보고된 정확도 격차가 크게 줄었다.그래프로 나타낸 격차는 모든 비교에서 줄어든다.출처: §1 · p. 2, Figure 1 · p. 2
  • 이 연구는 두 가지 multi-teacher 설정에서 초기화를 공유한 SFT, Soft-KD, teacher-prefix Offline-MOPD, MOPD를 비교한다.MIA는 수학, 지시 따르기, agentic 과제를 결합하고, Agent×3은 세 가지 agentic 전문가를 결합한다. 연구에서는 네 모델을 열한 벤치마크에서 평가한다.출처: §1 · p. 2
  • 세심하게 튜닝하면 SFT, Soft-KD, Offline-MOPD, MOPD는 비슷한 정확도를 달성하지만, MIA와 Agent×3에서 MOPD의 GPU-hours 비용은 SFT 대비 각각 14.8×와 23.1×이다.Weight merging은 비슷한 수준으로 역량을 회복하는 학습 불필요 대안이지만, 모델 규모가 작아지고 전문가 역량이 중첩될수록 성능이 저하된다.출처: §1 · p. 2

2 관련 연구

기존 연구에서는 teacher 궤적을 이용하는 off-policy 학습과 student가 생성한 문맥에서 감독하는 on-policy 학습을 중간 방식 및 가중치 병합과 함께 비교한다. 동일한 초기화로 시작한 expert와 student를 대상으로 이들 접근법을 체계적으로 통제해 비교한 연구는 여전히 제한적이다.

2 관련 연구

  • off-policy distillation은 teacher가 생성한 시퀀스를 사용하고, on-policy distillation은 방문 상태의 불일치를 해결하기 위해 student가 생성한 궤적에 대해 teacher에게 질의한다.중간 방식은 teacher와 student의 토큰을 교차 배치하거나 student 샘플링을 재생한 궤적 및 prefix와 결합한다.출처: §2 · p. 3
  • 여러 teacher와 student가 동일한 초기화를 공유하는 경우 distillation 접근법 간 비교는 여전히 제한적이다.기존 연구는 teacher–student 호환성과 데이터 선택도 OPD 정확도에 영향을 미치는 요인으로 지적한다.출처: §2 · p. 3
  • 여러 teacher의 역량 통합에는 expert 궤적을 이용한 SFT나 직접적인 weight merging도 사용되지만, 기존 비교에서는 계산 비용이나 독립적인 baseline 튜닝을 체계적으로 평가하지 않았다.저자들은 Open-MOPD의 공개 데이터와 평가 프로토콜을 사용해, 튜닝과 rejection sampling으로 추출한 데이터가 SFT를 OPD 수준의 정확도에 도달하게 할 수 있음을 보인다.출처: §2 · p. 3

3 방법론

공통 전문가 초기화 조건에서 네 가지 self-distillation 목적 함수와 학습 없는 weight merging을 비교한다. 또한 도메인 내·외 성능을 평가하기 위해 capability recovery와 retention을 정의한다.

3 방법론

  • 전문가 모델과 학생 모델은 동일한 base checkpoint를 공유한다. trajectory는 단일 턴 과제에서는 하나의 응답이고, 다중 턴 과제에서는 모델 행동과 환경 관측이 번갈아 이어지는 시퀀스다.Off-policy 방법은 고정된 rejection-sampled 전문가 코퍼스를 재사용한다. On-policy 방법은 학생이 생성한 맥락에서 교사에게 질의하며, 에이전트 과제에서는 실제 환경과 상호작용한다.출처: §3 · p. 3

3.1 Self-Distillation 목적 함수

  • SFT는 기록된 교사 토큰으로 학습하고, Soft-KD는 교사의 전체 next-token 분포를 사용한다. Offline-MOPD는 기록된 맥락에서 학생 응답을 샘플링하며, MOPD는 완전한 학생 trajectory를 사용한다.Offline-MOPD는 실제 환경 상호작용을 피하지만, MOPD는 다중 턴 과제에서 학생이 생성한 상호작용 이력을 사용한다.출처: §3.1 · p. 4

3.2 학습 없는 Weight Merging

  • 학습 없는 weight merging은 공통 base 파라미터를 빼서 구한 task vector를 사용해 파라미터 공간에서 전문가 checkpoint를 결합한다.병합 방법과 하이퍼파라미터에 따라 task vector 계수와 희소화 여부가 결정된다.출처: §3.2 · p. 5

3.3 Capability Recovery 평가

  • 도메인 내 recovery는 학생 모델의 향상을 교사 모델의 종합 향상 대비 백분율로 측정하고, 도메인 외 retention은 base model 대비 평균 점수 변화를 측정한다.Retention 값이 음수이면 성능 저하를 뜻한다.출처: §3.3 · p. 5

4 실험 설정

두 가지 다중 교사 구성과 네 개 모델을 사용하고, 증류 기법별로 하이퍼파라미터를 독립적으로 조정한 뒤 학습에 사용하지 않은 벤치마크에서 평가한다. 여러 시드를 사용하며, 도메인 내 역량 회복과 도메인 외 역량 유지 평가를 분리한다.

4.1 다중 교사 설정

  • MIA는 수학, 지시 따르기, 에이전트 전문가를 결합하고, Agent×3는 장기 에이전트 역량에 초점을 둔 ALFWorld, WebShop, InterCode-SQL 전문가를 결합한다.두 설정 모두에서 각 기반 모델로부터 학습한 교사 모델을 사용해 네 개 모델을 연구한다.출처: §4.1 · p. 5

4.2 하이퍼파라미터 조정

  • 각 증류 기법은 독립적으로 조정하며, 시드 반복이나 추가 탐색에 앞서 기법, 모델, 설정별로 최대 다섯 가지 학습률 값을 시험한다.학습률 선택만으로도 SFT 검증 점수가 최대 11.3 percentage points 달라진다. 병합 계수와 희소성은 최악의 작업에서 검증된 역량 유지율을 기준으로 선택한다.출처: §4.2 · pp. 5–6

4.3 평가

  • 평가에는 단일 턴 벤치마크 여덟 개와 다중 턴 벤치마크 세 개를 포함하며, 학습·검증·테스트 세트는 서로 겹치지 않고 증류 기법에는 시드 세 개를 사용한다.모델 성능은 도메인 내 역량 회복과 도메인 외 역량 유지로 요약한다. Qwen3-8B 표에는 시드 세 개에 대한 평균과 표준편차를 보고한다.출처: §4.3 · p. 6, Table 1 · p. 6

5 실험 결과

모델과 설정 전반에서 튜닝한 오프폴리시 및 온폴리시 distillation은 비슷한 전문가 능력을 회복하지만, MOPD는 훨씬 더 많은 훈련 연산량을 요구한다. Weight merging과 공동 다중 도메인 RL은 회복 수준, 규모, 반복 개선 측면에서 상충관계가 있는 대안이다.

5.1 모델 및 설정 전반의 능력 회복

  • SFT, Soft-KD, Offline-MOPD, MOPD는 MIA에서 교사 모델 성능 향상의 96.9–98.2%, Agent×3에서 97.6–99.3%를 회복하며, 온폴리시의 회복 우위가 일관되게 나타나지 않는다.네 모델에서 모델별 회복률 편차의 최댓값은 MIA에서 3.5 percentage points, Agent×3에서 4.6이다.출처: §5.1 · pp. 6–7, Table 2 · p. 7
  • MOPD는 SFT보다 평균 도메인 외 유지 성능이 벤치마크 점수 1.1점 높지만, 일관되게 더 나은 성능을 보이지는 않는다. Mix-RL과 merging의 평균은 각각 −1.1점과 −2.7점이다.도메인 외 유지 성능은 모델과 설정에 따라 달라진다.출처: §5.1 · p. 7, Table 2 · p. 7

5.2 Distillation 효율

  • MOPD는 MIA에서 SFT의 훈련 GPU-hours 대비 14.8×, Agent×3에서 23.1×를 사용한다.Qwen3-8B의 보고된 총량은 MIA에서 383.32 대 25.90 GPU-hours, Agent×3에서 415.80 대 18.00 GPU-hours다. Figure 3은 진행도와 누적 GPU-hours에 따른 정확도를 나타낸다.출처: §5.2 · p. 7, Figure 3 · p. 7

5.3 Distillation의 대안

  • Weight merging은 Qwen3-8B에서 교사 모델 성능 향상의 99.0%를 회복하지만, Qwen3-1.7B에서는 87.3%를 회복하며, Agent×3보다 MIA에서 더 좋은 성능을 보인다.네 모델의 평균 회복률은 MIA에서 96.6%, Agent×3에서 87.9%다. 병합 가중치 생성에는 CPU 시간으로 수 분이 걸리지만, 병합 방식을 선택하려면 GPU 검증이 필요하다.출처: §5.3 · p. 8
  • Mix-RL은 여덟 개 모델–설정 조합 전반에서 교사 모델 성능 향상의 대부분을 회복하며, Qwen3.5-4B와 Qwen3-8B에서는 교사 수준 성능에 근접하거나 이를 넘어선다.한 도메인의 학습 레시피를 바꾸면 공동 학습을 다시 튜닝해야 할 수 있지만, 개별 전문가 모델을 사용하면 통합 전에 독립적으로 반복 개선할 수 있다.출처: §5.3 · p. 8

6 분석 및 논의

분석 결과, 더 큰 교사 모델이 on-policy 회복에서 일반적인 우위를 보이지는 않으며, 회복률이 비슷한 방법들도 모델 행동은 다르게 바꿀 수 있다. 재현한 네 가지 비교에서 더 강한 SFT 레시피를 적용하자 보고된 on-policy 이득이 줄었다.

6.1 더 큰 교사 모델은 on-policy distillation에 유리한가?

  • 8B 교사 모델을 사용하면 SFT와 Soft-KD는 MIA와 보고된 Agent×3 결과에서 두 MOPD 변형보다 더 많은 도메인 내 성능 향상을 회복하지만, 도메인 밖 성능은 더 크게 저하시킨다.Agent×3에서 SFT의 회복률은 99.3%, Soft-KD는 93.0%로, Offline-MOPD의 78.9%, MOPD의 73.3%보다 높다. 반면 도메인 밖 성능 저하는 각각 14.8 및 11.7 퍼센트포인트다.출처: §6.1 · p. 8

6.2 파라미터 업데이트와 행동 변화

  • Qwen3-8B에서는 attention weight 변화가 0.7% 미만에 그치지만, distillation으로 MIA 응답 길이는 23–29% 짧아지고 Agent×3 응답 길이는 22–67% 길어진다.MOPD에서 응답 길이 변화가 가장 크며, merging은 MIA에서 응답 길이를 3%, Agent×3에서 23% 늘린다.출처: §6.2 · p. 8, Figure 4 · p. 9

6.4 더 강한 SFT 기준선에서도 보고된 on-policy 이득은 유지되는가?

  • 네 가지 재현 비교 모두에서 rejection sampling을 적용한 SFT 대비 OPD의 이점은 기존에 보고된 것보다 작다.튜닝된 SFT와 비교하면 rejection sampling 레시피는 Open-MOPD에서 7.0 퍼센트포인트, TCOD에서 4.4, ReOPD에서 0.6만큼 성능이 높고, SKD에서는 0.8만큼 낮다.출처: Table 4 · p. 9, §6.4 · p. 9

6.3 SFT를 강력한 기준선으로 만들려면 무엇이 필요한가?

  • SFT 검증 성능은 5 × 10−6에서 최고점에 이르며, 점수는 MIA에서 8.5퍼센트포인트, Agent×3에서 11.3퍼센트포인트 범위로 변한다. Rejection sampling은 off-policy 방법에 더 큰 이점을 준다.SFT의 회복률 격차는 MIA에서 6.5 퍼센트포인트, Agent×3에서 7.0인 반면, Soft-KD는 각각 3.0 및 3.6, MOPD 변형은 0.5–1.6이다.출처: §6.3 · p. 9, Figure 4 · p. 9

7 결론

결론에서는 튜닝된 off-policy distillation에 비해 MOPD가 일관된 도메인 내 성능 회복 우위를 보이지 않으며, 학습 비용은 더 높다고 밝힌다. 부록에서는 재현한 네 가지 비교를 자세히 설명하고 데이터 선택과 최적화가 supervised baseline에 미치는 영향을 논의한다.

7 결론

  • 네 모델과 두 가지 과제 구성 전반에서 MOPD는 튜닝된 off-policy distillation보다 일관된 도메인 내 성능 회복 우위를 보이지 않지만, MIA와 Agent×3에서 각각 SFT의 GPU-hours를 14.8×, 23.1× 사용한다.Weight merging은 학습이 필요 없는 대안이지만, 성능은 모델 크기와 과제 구성에 따라 달라진다.출처: §7 · p. 10

A 네 가지 SFT--OPD 공개 비교 재현

  • 재현한 네 연구는 SFT–OPD 비교만 평가하며, 각 연구가 제안한 방법이나 더 폭넓은 기여는 평가하지 않는다.공개된 산출물이 있는 경우 이를 사용한다.출처: A Reproducing Four Published SFT--OPD… · p. 16

A.1 Open-MOPD

  • Open-MOPD에서 공개한 MixSFT와 naive OPD 레시피는 서로 다른 단위의 균형을 맞춘다. 응답 토큰은 대략 1:1:1인 반면, 프롬프트는 약 2:2:1이다.공개된 expert 모델과 평가기를 재사용하고, SFT는 최대 7개 epoch 동안 학습하며, 학습률과 epoch 예산은 보고 대상 벤치마크에서 선택한다.출처: §A.1 · p. 16

A.2 SKD

  • SKD에서는 rejection sampling을 통해 정답과 일치하는 teacher 응답을 남기지만, 말뭉치 크기와 프롬프트 범위도 함께 달라진다.재현에서는 응답 부분에만 SFT loss를 적용하고, 학습률을 독립적으로 튜닝하며, 검증 정확도로 체크포인트를 선택한다.출처: §A.2 · pp. 16–17

A.3 TCOD

  • TCOD에서는 각 에피소드 전체에 걸쳐 teacher의 각 행동을 대상으로 SFT를 수행하며, assistant의 마지막 메시지만 학습하는 프레임워크 기본 설정을 대체한다.SFT 개발 분할은 턴 단위로 구성하며, 학습 데이터와 게임이 겹칠 수 있다.출처: §A.3 · p. 17

A.4 ReOPD

  • ReOPD에서는 teacher의 이력을 student 샘플링 prefix로 재사용해 새로운 환경 rollout을 피한다. Rejection sampling을 적용하면 필터링되지 않은 궤적 6,335개에서 궤적 5,071개가 남는다.재현에서는 SFT와 OPD의 학습률을 독립적으로 튜닝한다.출처: §A.4 · pp. 17–18

B 추가 관련 연구

  • 선행 연구에서는 rejection sampling, reward selection, filtering이 중요한 데이터 선택이라고 설명하며, 하이퍼파라미터 탐색 예산에 따라 baseline 순위가 달라질 수 있다고 본다.이 논문은 데이터와 튜닝 선택이 보고된 on-policy 성능 향상과 역량 회복에 어떤 영향을 미치는지 살펴본다.출처: B Additional Related Work · p. 18

C 모델 병합 방법 및 평가

이 절에서는 가중치 병합 방법을 탐색하고, 증류에 사용하는 공통 초기화 및 교사 데이터 설정을 설명한다. 병합 후보를 선별하고 선택하는 방법과 주요 실험에서 프롬프트를 라우팅하는 방식도 명시한다.

C 모델 병합 방법 및 평가

  • 11개 MergeKit 방법을 기본 계수로 선별 평가한 뒤, 상위 방법의 계수와 희소성 설정을 조정한다.후보는 텐서 수 불일치, 유한하지 않은 값, 베이스 모델과의 거리, 잘못된 도구 호출이 있는지 검사한다.출처: C Model Merging Methods and Evaluation · p. 18
  • 선택된 병합 방법은 증류 체크포인트와 동일한 검증 세트를 사용해 선정하며, 탐색 표에는 각 전문가의 베이스 모델 대비 성능 향상분을 동일 가중 평균한 회복률을 보고한다.모델 수프, 태스크 산술, TIES, Karcher 평균 등의 방법을 탐색한다.출처: C Model Merging Methods and Evaluation · p. 18

D.1 교사 및 증류 코퍼스

  • 주요 증류 실험에서 교사와 학생은 초기화, 토크나이저, 채팅 템플릿을 공유하며, 모든 방법은 동일한 거부 샘플링 교사 코퍼스와 프롬프트 세트를 사용한다.역량 통합과 라우터 품질을 분리하기 위해 알려진 태스크 도메인에 따라 프롬프트를 교사에게 라우팅한다.출처: §D.1 · p. 19

D.2 학습

이 절에서는 조정된 off-policy 방법과 MOPD가 비슷한 수준으로 역량을 회복함을 보고하고, 서로 다른 학습 절차와 평가 선택, 데이터 분할 보호 장치를 설명한다. 또한 off-policy distillation 분석의 동기가 된 우려로 exposure bias를 제시한다.

D.2 학습

  • Agent×3에서 MOPD는 student의 행동을 실행해 새로운 환경 관측을 얻는 반면, Offline-MOPD는 기록된 teacher 이력을 재생한다. single-turn Offline-MOPD는 원래 프롬프트에서 전체 응답을 샘플링한다.MOPD는 프롬프트마다 rollout 하나를 사용하고 토큰별 reverse KL을 적용한다.출처: §D.2 · p. 19

D.3 체크포인트 선정 및 평가

  • 체크포인트는 설정별 도메인 전반의 검증 점수를 가중치 없이 평균해 선정하며, held-out 평가 harness에서 생성한 rollout을 사용한다.각 distillation 실행은 base checkpoint에서 시작해 공유 프롬프트로 다섯 epoch 학습한다.출처: §D.3 · p. 22

D.4 과제 분할 및 벤치마크

  • 검증 분할에서는 teacher와 student의 학습 데이터를 제외한다. teacher의 RL 학습 데이터에 전적으로 포함되는 지시문 하위 집합을 구성하면 teacher의 상한이 40점 넘게 부풀려졌다.이는 회복률의 분모를 부풀린다.출처: §D.4 · p. 22, Table 12 · p. 22

E Off-Policy Distillation이 On-Policy Distillation과 맞먹을 수 있는 이유

  • off-policy distillation은 사전에 수집 비용이 들지만 고정된 expert 궤적을 재사용하며, on-policy rollout과 달리 학습 중 환경과 상호작용하지 않는다.논문은 expert 역량을 하나의 범용 모델에 통합하는 방법을 묻는다.출처: E Why Off-Policy Distillation Can… · p. 23

E.1 Exposure Bias와 선행 연구

  • 조정된 off-policy 방법은 MOPD와 비슷한 수준으로 expert 역량을 회복할 수 있지만, student의 행동으로 이후 상태가 teacher 학습 궤적에서 벗어나면 off-policy 학습에서도 exposure bias 우려가 생긴다.초기 오류는 후속 궤적을 학습 분포에서 벗어나게 할 수 있다.출처: §E.1 · p. 23

E.2 Distillation Losses와 Success Probabilities

부록에서는 distillation loss와 trajectory 분포 차이 및 task 성공률 격차의 관계를 설명한 뒤, rejection sampling이 해당 bound에 미치는 영향을 단서와 함께 논한다. 보고된 self-distillation 설정 전반에서 recovery와 retention은 on-policy 방식에 일관되게 유리하지 않다.

E.2 Distillation Losses와 Success Probabilities

  • 분석은 공유된 환경과 종료 규칙, 상한이 있는 trajectory 길이, 유한한 기대 loss를 가정하며, hybrid 비교에서는 마지막 턴부터 역순으로 student 응답을 대체한다.각 history에서 student와 teacher의 응답 분포를 비교한다.출처: §E.2 · pp. 23–24
  • 0과 1 사이로 제한된 임의의 trajectory 통계량에 대해 success gap은 total variation을 사용해 bound할 수 있으며, L_off와 L_on에서 얻는 bound는 합산된 loss 외에 trajectory 길이 항을 추가하지 않는다.증명에는 KL chain rule과 Pinsker’s inequality를 사용한다.출처: §E.2 · p. 24
  • Rejection-sampled SFT는 성공 조건으로 제한된 teacher 분포에 해당하므로, 필터링되지 않은 bound는 필터링된 Soft-KD 및 Offline-MOPD loss에 직접 적용되지 않는다.각 teacher를 student가 개별적으로 실현할 수 있더라도, 여러 도메인에 걸친 동시 fit이 보장되지는 않는다.출처: §E.2 · p. 24

F Per-Model Capability Recovery

  • Self-distillation 설정 전반에서 네 방법의 recovery 차이는 MIA에서 3.5포인트 이내, Agent×3에서 4.6포인트 이내이며, MOPD는 SFT보다 평균 OOD retention을 벤치마크 기준 1.1포인트 높인다.8B teacher를 사용하면 SFT와 Soft-KD는 두 MOPD 변형보다 in-domain에서 더 많이 회복하지만, out-of-domain에서는 더 큰 성능 저하를 보이며 Agent×3에서 그 차이가 가장 크다.출처: F Per-Model Capability Recovery · p. 25

G.1 학습 단계별 시간 분석

시간 분석 결과, student rollout이 학습 단계 시간의 대부분을 차지하며 학습 GPU-hour 산정에서는 teacher corpus 생성이 제외된다. 두 설정 모두에서 전체 학습 비용은 MOPD가 가장 높다.

G.1 학습 단계별 시간 분석

  • 단계 시간의 86.5–96.0%를 student rollout이 차지하고 teacher scoring은 최대 2.6%다. 배치 크기가 달라 방법 간 초/단계 값은 직접 비교할 수 없다.Table 18은 Qwen3-8B 설정을 보고한다. MIA에서 Offline-MOPD와 MOPD는 각각 24/96개 프롬프트 배치를 사용한다.출처: §G.1 · p. 26, Table 18 · p. 27

G.2 Teacher Trajectory 생성

  • Corpus 생성에는 autoregressive decoding이 사용되며, agentic task에서는 환경과의 상호작용도 필요하다. 여러 설정에서 공유되는 Cgen/N GPU-hour는 학습 비용에서 제외된다.SFT, Soft-KD, Offline-MOPD는 하이퍼파라미터 설정과 시드가 달라도 동일한 corpus를 재사용한다.출처: §G.2 · p. 27
  • Corpus 생성 비용이 제외되므로 학습 비용 비율은 전체 실행 비용 비율과 다르다. 단, MOPD와 Offline-MOPD의 teacher scoring은 포함된다.Teacher scoring에는 학습 중 student가 생성한 trajectory에 대한 forward pass가 포함된다.출처: §G.2 · p. 27

G.3 학습 GPU-hour

  • MIA에서 383.32 GPU-hour, Agent×3에서 415.80 GPU-hour가 소요됐다. 전체 실행 기준 MOPD 비용은 각각 SFT의 14.8×와 23.1×였다.학습 GPU-hour에는 teacher corpus 생성, 검증, 테스트 평가 및 기타 하이퍼파라미터 탐색 실행이 포함되지 않는다.출처: §G.3 · p. 27, Table 19 · p. 28

H 한계

The study is limited to four models from 1.7B to 8B parameters and two multi-teacher settings; it does not establish whether off-policy distillation remains competitive at larger scales or with less compatible teachers.

H Limitations

  • The study covers four models from 1.7B to 8B parameters and MIA and Agent×3; the larger-teacher comparison uses one 1.7B student and same-family 8B teachers.The authors state that results do not establish whether off-policy distillation remains competitive at larger scales or with less compatible teachers.출처: H Limitations · p. 28
Loading 2610.04272v1…