ExpDis 公开论文、Apache-2.0 代码和 checkpoint，并报告在等时预算下优于 DAPO。
ExpDis 将 RLVR 的探索与优化拆开
2026-10-08前沿观察TRIAL
Exploration-Distillation 先训练追求新颖解法的 explorer，再筛出正确轨迹，蒸馏给不带新颖性奖励的独立 student。作者报告：在相同 wall-clock 预算下，ExpDis 在七个数学 benchmark、两个模型家族上优于 DAPO，并生成更多样的正确解法。
可用状态：Apache-2.0 代码与 checkpoint 已公开
对你意味着什么
对训练推理模型的团队来说，这种拆分可以扩大探索，同时避免稀疏的可验证奖励损伤最终策略。代码与 checkpoint 已公开，能做小规模独立复现，但目前性能提升仍来自作者报告。
前沿观察
公开材料与效果验证，分开看。
已记录的事实是工作及其材料已公开。论文或作者报告的效果不自动等于独立复现。下一步关注可复用代码、任务设置和第三方验证。
证据与关联材料
技术细节与六维评分
| 方法 | 带新颖性奖励的 explorer → 正确性与质量筛选 → 蒸馏到独立 student |
|---|---|
| 报告的评测 | 七个数学推理 benchmark、两个模型家族；与相同 wall-clock 预算的 DAPO 比较 |
| 可用性 | Apache-2.0 代码与 checkpoint 已公开 |
| 证据限制 | 作者报告的预印本；未发现独立复现 |
技术影响 4
工程价值 4
采用信号 1
成熟度 2
验证成本 3
风险 3