近接方策最適化のゾーン：勾配ではなくプロンプト内の教師

知識蒸留の限界を克服するため、プロンプト（教師）と自身のロールアウト（学生）を組み合わせた強化学習手法「Zone of Proximal Policy Optimization」を提案。勾配ではなく、プロンプトを通じて知識を効果的に伝達する。

• 知識蒸留の限界を克服する強化学習手法「Zone of Proximal Policy Optimization」が提案された。
• この手法は、勾配ではなくプロンプト（教師）と自身のロールアウト（学生）を組み合わせる。
• プロンプトを通じて、より効果的な知識伝達を目指す。
• 従来の勾配ベースの手法とは異なるアプローチを取る。