Дайджест по пост-тренингу: дистилляция переносит поведение учителя

Свежий дайджест исследований по пост-тренингу LLM за 9–16 октября 2026 года. Ключевые работы: дистилляция переносит поведение учителя даже на несвязанных задачах, RM-OPD позволяет дистиллированному reward-модели превзойти учителей, Apertus 1.5 раскрыла полный четырёхэтапный стек SFT → RLVR → DPO → SDPO.

• Imprinting: дистилляция на несвязанных задачах переносит поведение учителя по безопасности
• RM-OPD: дистиллированная reward-модель превосходит специализированных учителей
• Apertus 1.5: SFT на 3,7 млн примеров, RLVR на 350 тыс. промптов, DPO и SDPO
• UltraBERT: каскадная дистилляция помогает классификации, но вредит поиску