[2026-10-15] JevAgentHarness: Benchmarking, Deploying and Training Decision Models That Share Control with LLMs
小模型负责选工具、填有限选项，不确定时交回大模型。沿发货与退款实测记录，说明任务如何判成败、阈值怎样拟合，以及监督训练的收益和后续蒸馏、新规则实验的失败。
淡水鱼的蔚蓝之海
课程笔记、踩坑记录，还有一些摸鱼和日常。
复仇者不折镆干。虽有忮心，不怨飘瓦。
GPT 6 Astra as an Embodied Policy
让通用模型 Astra 直接控制机械臂，还是先检查机器人动作模型 π0.5 的建议？从真实分类案例、控制代码和原始图表解释两种方案与评测条件，附面向 LLM / VLM 读者的机器人基础。
[2026-10-10] ExeWorldBench: Benchmarking Code-Based Executable 3D World Modeling
让模型用 Blender 搭出靠机械作用运行的三维装置。沿一道路口放行的真实任务，介绍题目怎么构建、模型看到什么、动画怎么评分，以及运行成功为何不等于机械正确。
[2026-10-04] Self-Evaluating Recursive Agents
Agent 拆出的子任务没有现成答案，怎样训练它评价这些任务？SERA 让同一模型写评分条件、执行与评分。本文用公开两菜任务的实际程序重放，讲清三种训练奖励、最终验收和关键负结果。
[2026-01-26] Self-Distilled Reasoner: On-Policy Self-Distillation for Large Language Models
模型先只看题目写答案，再让冻结的同模型副本多看标准解，计算这份答案每个位置的下一词概率。OPSD 用两份概率的差异训练模型，不需要另请一个更大的模型生成训练答案。
[2026-02-12] On-Policy Context Distillation for Language Models
把历史任务提炼成经验，只在训练时交给模型的冻结副本；正在学习的模型自己尝试，再向这份带经验的判断靠近。本文拆解经验生成、筛选、训练损失和文本游戏评测，也指出按测试成绩挑训练版本的限制。
[2026-02-04] Privileged Information Distillation for Language Models
强模型只留下成功做过哪些操作，也能帮助训练吗？本文通过取消订单的真实记录，解释 π-Distill 如何让同一模型在带参考记录和不带记录的两种输入下共同学习，并核对奖励、概率约束和评测选择。
[2026-09-22] What Should a Self-Teacher See? Privileged Context Design for On-Policy Self-Distillation
训练时已经有参考解答，应该全部交给负责指导的模型，还是只给解题方法或题型？本文用一条公开数学题讲清五种提示、训练代码和评测，再区分最高分、固定检查点与跨随机种子的结果。
[2026-05-09] Training with Harnesses: On-Policy Harness Self-Distillation for Complex Reasoning
训练时，让模型多走一遍检索或规划流程，再用这份额外材料训练它直接作答。OPHSD 在两套短流程上有效；本文用真实法律与数学题解释训练、判分，以及论文和公开实现的差异。
[2026-06-09] Self-Distillation Policy Optimization via Visual Feedback: Bridging Code and Visual Artifacts
模型写出代码后，训练程序执行它，让模型多看画面再判断哪些代码应该改。Visual-SDPO 还把遮挡、裁切等问题关联到源码，增加相关语句的训练权重。
