已收录文章摘要，完整内容可前往原文阅读。
开始之前，先思考一个问题：一道题，学生模型采样八次都做错，专家模型能做对。你会怎么让模型学会？继续跑 RL，还是拿专家解答做 SFT？如果只有对错奖励，这八条全错的回答在 GRPO 中优势都是零，本轮