已收录文章摘要，完整内容可前往原文阅读。
模型全部答对，强化学习也可能失去组内比较信号；专家最终答错，推理过程却未必没有价值。本文结合两项研究，解释如何从成功片段与失败轨迹中提取学习信号，并看清它们怎样转化为独立解题能力，以及实验结果的适用边