Min favorittartikkel i 2026 så langt 🔥 De tok On-Policy Distillation (altså blogginnlegget Thinking Machines), men viste så at politikken kan være både lærerens og elevens modell. Ideen er å betinge læreren ut fra en gyllen bane, og deretter trene på de betingede logprobene til samme modell. Det sprø er at du bokstavelig talt kan betinge læreren på hva som helst!! Dette åpner opp en hel Pandoras eske for bro-promptoptimalisering/ICL + vektoptimalisering som jeg er veldig begeistret for for kontinuerlig læring Forfattere: @IdanShenfeld @MehulDamani2 Jonas Hübotter @pulkitology