热点事件持续更新
RSHD：用失败回放蒸馏恢复 GRPO 监督
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
2026 年 10 月 16 日 arXiv cs.AI 论文提出 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，并被蒸馏进普通提示词策略，部署时无需笔记或额外推理。论文称，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。目前为单篇论文报道，尚无独立复现或第三方验证信息。
AI 根据报道生成 · 3 小时前更新
最新进展10月16日 12:00
arXiv 论文提出 RSHD，为失败尝试生成纠正笔记并蒸馏进策略，域内稳定优于 GRPO。报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- arXiv cs.AI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。
本事件热度走势
当前热度 8·可比范围峰值 8（10月16日 19:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。