失败乃成功之母：RSHD 从失败尝试中恢复 GRPO 监督信号

RSHD 让 GRPO 从失败的尝试中恢复监督信号：策略在不看参考答案的情况下为每次失败写出纠正笔记，再带着笔记重解该题。只有回放成功率高于原始组、且不直接写出答案的笔记才会被采纳并蒸馏进普通提示词策略，部署时无需笔记或额外推理。在多个模型族、模型规模与两种训练域上，RSHD 在域内 benchmark 稳定优于 GRPO，增益可迁移到域外评测集。