Proxy Exploration and Reusable Guidance: A Modular LLM Post-Training Paradigm via Proxy-Guided Update Signals

• 类型：arxiv
• 标识：2607.11505
• 链接：https://arxiv.org/abs/2607.11505
• 主分类：engineering
• 形态：method
• 被引：0
• 被引来源：Semantic Scholar + OpenAlex
• S2被引：0
• OpenAlex被引：0
• 影响力被引：0
• TLDR：Proxy OPD is introduced, an asynchronous post-training framework that transfers reward-induced policy improvements rather than absolute policy distributions and establishes relative policy updates as highly reusable, adjustable assets for scalable, reward-based post-training.
• OpenAlex ID：W7168282740
• OpenAlex DOI：10.48550/arxiv.2607.11505
• DOI：10.48550/arxiv.2607.11505
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2607.11505
• OpenAlex更新：2026-07-19
• 副分类：risk
• 待LLM分类：否
• 标题中文：代理探索与可复用引导：一种通过代理引导更新信号实现的模块化 LLM 后训练范式
• TLDR中文：提出 Proxy OPD——一种异步后训练框架，迁移奖励驱动的策略改进而非绝对策略分布，将相对策略更新确立为可大规模、按奖励进行后训练的高复用、可调节资产。
• 来源文件：
• /inbox/tom/_candidates/2026-07-14-agent-rag-longcontext-candidates.json
• [S2 enrich]
• /inbox/tom/_candidates/2026-07-15-agent-rag-longcontext-candidates.json
• [OpenAlex backfill]