RSHD：从失败尝试中恢复监督信号，改进 GRPO 训练
原文标题：Failure Is the Mother of Success: Recovering Supervision with Grounding Hindsight
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
该论文提出 Replay-Selected Hindsight Distillation（RSHD），在 GRPO 训练中把失败尝试转化为额外的监督来源。策略模型在看不到参考答案的情况下为每次失败写纠正笔记，再用笔记重新解题；只有当重放成功率高于原始组且笔记未泄露答案时才被采纳，并蒸馏回普通提示策略。该方法在多个模型家族、规模和两个训练域上稳定优于 GRPO，且泛化到域外评测集。
- 问题
- GRPO 遇到整组 rollout 全失败时拿不到正优势，恰恰在最需要学的题上学不到东西。
- 方法
- 让策略对失败尝试写纠正笔记再重解，只有重放成功率超过原组且不泄露答案的笔记才被采纳并蒸馏回普通提示策略。
- 结果
- 在多个模型家族、规模和两个训练域上稳定优于 GRPO，且增益可迁移到域外评测集。
- 影响
- 把失败样本变成免费监督信号，RL 训练推理模型时不必再丢弃全错组，部署时无需额外推理。
深读 · 结论先行AI 生成展开看要点与影响 ↓
RSHD把GRPO中全失败的尝试转化为监督信号，多模型多域稳定优于GRPO。
- •GRPO在整组rollout全失败时既无成功样例也无非零组内优势，学不到东西
- •策略模型不看参考答案为每次失败写纠正笔记，再带笔记重解
- •笔记仅在重放成功率高于原始组且未泄露答案时才被采纳
- •采纳的重放蒸馏回普通提示策略，部署无需笔记或额外推理
- •跨模型家族、规模和两个训练域稳定优于GRPO，并泛化到域外评测集
为什么重要：直接修补GRPO在最难问题上零梯度的缺陷，对推理模型RL训练的样本效率有实用价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。