01 · QUESTIONarXiv:2602.04942 · 2026-02-04

Teacher 不开放 reasoning，只给 actions，能学吗？

π-Distill 把 successful tool-call trajectories 当训练期 privileged information。

15,885

Retail successful traces

44.1

Travel Planner best

17/21

需要非零 RL reward

8.5/10

个人兴趣

来源：Abstract；dataset appendix；ablations1 / 9

02 · OBSERVABILITYarXiv:2602.04942 · 2026-02-04

隐藏 reasoning，不等于没有可用监督

不可见

frontier teacher 的 internal chain-of-thought

可见

tool name、arguments、observations

可验证

environment 最终 success / failure

来源：Section 12 / 9

03 · METHODSarXiv:2602.04942 · 2026-02-04

两种方法共享 PI，但 teacher 是否更新不同

方法	Teacher	Student	RL
π-Distill	privileged、联合更新	unprivileged、匹配 teacher	联合
OPSD variant	privileged self-teacher	on-policy rollout	KL penalty + reward

来源：Section 3；Algorithms 1-23 / 9

04 · DATAarXiv:2602.04942 · 2026-02-04

成功 trace 不是人工标注

Retail

15,885 traces；300/500 tasks 有 PI

Travel Planner

1,986 traces；45 training tasks

Rule

每题保留最短成功 trajectory

来源：Section 4；Appendix data details4 / 9

05 · SETTINGarXiv:2602.04942 · 2026-02-04

长 context、多轮 agent、三 seeds

项	设置
Backbones	Qwen3-4B/8B；R1-Distill-Llama-8B
Context	25K
Temperature	0.75
Steps	Retail 600；Travel 400
Hardware	2×H100

来源：Appendix hyperparameters5 / 9

06 · RESULTarXiv:2602.04942 · 2026-02-04

Travel Planner 的 PI transfer 明显强于 SFT + RL

Base

23.6

SFT+CoT+RL

32.3

OPSD

37.5

π-Distill α=1

44.1

根据 result table 重绘6 / 9

07 · REWARDarXiv:2602.04942 · 2026-02-04

Dense PI loss 不能代替 outcome reward

17 / 21ablation 需要非零 RL coefficient

teacher similarity 只能 shaping；最终 task outcome 仍需 environment verifier。

来源：ablation section7 / 9

08 · GAME CODEarXiv:2602.04942 · 2026-02-04

先教“何时 compile/run/inspect”，不要先复制 reference code

Tool-only

compile、run、screenshot 名称

Arguments

command、fixture、scene

Trace summary

failure → repair 的压缩经验

本文实验设计建议8 / 9

09 · VERDICTarXiv:2602.04942 · 2026-02-04

概念很重要，复现基线不完整

值得借

action-only PI + outcome reward

缺口

无官方 code、trace generation 未公开

兴趣程度 8.5/109 / 9