Souradip Chakraborty 等提出 Pedagogical RL：用特权信息主动采样而非盲扫 rollout

Souradip Chakraborty 等人提出 Pedagogical RL，主张用特权信息主动采样 rollout，而不是靠大量算力盲扫。他们批评典型 RL 算法与 on-policy 蒸馏都是「盲采样器」：只用标准答案、奖励模型给 rollout 打分，却不拿它去找 rollout。这一方向有望提升 RL 后训练的样本效率。