يقترح الباحثون التقط المباشر للسياسة (Direct On-Policy Distillation - Direct-OPD) لنقل التعلم المعزز مع المكافآت القابلة للتحقق من نموذج معلم أصغر وأرخص إلى نموذج هدف أكبر. تعامل هذه الطريقة النسبة اللوغاريتمية بين سياسات المعلم بعد وبعد التعلم المعزز كمكافأة ضمنية كثيفة للطالب، متجنبة الحاجة إلى نماذج مكافآت صريحة أو تعلم معزز بمكافآت متفرغة على الهدف.
- يقارن Direct-OPD المعلم بعد التعلم المعزز بمرجع ما قبل التعلم المعزز الخاص به لإنشاء إشارة مكافأة ضمنية كثيفة.
- تطبق هذه الطريقة الإشارة على حالات السياسة الذاتية للطالب الأقوى دون تدريب نموذج مكافأة صريح.
- يتيح ذلك التركيب المتسلسل لتحولات سياسة متعددة ويتفوق على التعلم المعزز المباشر المطابق خطوة بخطوة.
تسمح هذه التقنية بإعادة استخدام نتائج التعلم المعزز عبر مقاييس النماذج كإشارات مكافأة ضمنية، مما يحسن بشكل كبير قدرات الاستدلال في النماذج الأكبر.