[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。
归档
[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。
[2026-06-04] ViCuR: Visual Cues as Recoverable Privilege for Multimodal On-Policy Distillation
模型知道相交弦定理，却把图里的线段配错。ViCuR 用训练时的视觉提示和新增注意力分支改善读图；本文追到公开数据，讲清提示从哪来、怎样蒸馏，以及哪些结果没有变好。
[2026-08-05] Privileged, but Biased: How PI-Conditioned Teachers Break Self-Distillation
训练时让模型多看一份正确解，可能更容易教它模仿那份解，却没有提高实际正确率。这篇论文测量了这种偏好，也留下代码和工具任务表现变好的反例。
[2026-08-03] Is More Privileged Information Better? From Solution Traces to Problem-Solving Structure in Self-Distilled Reasoning
把正确解改成已知条件、目标、约束和变换步骤，再让模型从自己的回答中学习。这篇论文解释了提示怎样生成，也用错题提示、乱序步骤和不同选模方式检验结果。
[2026-08-05] When Privileged Guidance Misaligns: State-Matched Routing and Contextualized Self-Distillation for Multi-Turn Agents
成功记录里的下一步，不一定适合模型现在走到的位置。本文用真实购物和家庭操作案例，解释 SMRC-SD 如何检查参考步骤、训练同一模型，以及匹配规则和任务判分为什么不能混为一谈。
[2026-07-23] Sample-Efficient Learning from Agent Experience
模型修错五次，第六次才发现漏掉了查询刷新：这些经验怎样变成训练数据？本文用真实 MapStore2 案例讲清教师重写、样本打包、补丁验收，以及少跑环境与少花计算的区别。
[2026-08-13] Latent On-Policy Self-Distillation
把成功任务记录压成向量，只在训练时给教师，用教师的概率分布训练学生。本文解释压缩模块怎样学习、怎样避免教师迎合学生，并重放原图中的真实保险任务与12条公开检查。
[2026-09-27] SWE-Game: Can Coding Agents Build the Games We Want?
41 个可运行 Godot 参考游戏派生出 247 道开发、补全、修复与移植题。SWE-Game 用预定动作试玩，再检查状态变化和无输入对照；本文沿 Beacon Relay 的拾取、计时、送达过程解释判分。
[2026-09-28] LEGO-Anything: Coding Agents for 3D Scene Reconstruction
给一张图片，让模型写 Blender 代码搭出整间房间或室外场景，再检查隐藏几何与重新渲染后的画面。LEGO-Anything 区分了文件能用、场景恢复正确，以及后续修改是否真的变好。
