上篇文章拖了将近一个月才写完，固然有十一假期的缘故（众所周知，有娃的假期比上班还忙还累），但最近的状态已经有点失控的边缘了，我自己认知上感受到了这一点，但调整起来着实费劲，本文就聊一下这个，以及自己的一些心得。
状态有点失控的原因有三个：
从慢慢察觉到有些失控，到现在开始尝试控制，前前后后加起来怎么也得两三个月了。如今的我依然在积极调整中，取得了一点点小小的成果，但离自己期望的理想状态还有差距。本文就记录一下这方面的一点感受吧。
OPD 大家熟知是需要一个 teacher 提供 logits 的，OPSD（自蒸馏）一般是拿一个外部信号让模型自己提升，都是现在的主流范式。我们前阵子介绍的《「差值即信号」：OPD 蒸馏的新范式 | 长琴[1]》在 OPD 这个方向上更进一步——不是直接学教师，而是学教师在不同情况下的「差异」，类似于学这种「能力」。我们把这种差值简称为 diff。
Diff 出现后，一个很自然的问题就来了——teacher 不一定再需要一个更大更强的模型，只要能提供 diff 那就是 teacher。这就是前文提到的 W2S（weak to strong）OPD，weak 模型便宜好训，可以训练一大堆不同方向的，然后 diff 一股脑儿给 student。
但是这里怎么给还是有蛮多做法的，这就引出了现在大家正在看的这篇文章。
谈到 GRPO，我们不由自主会想到它的“抛光”特点——在 Base 的基础上做进一步锐化，我们之前在不少文章中都提到过，比如《RL究竟能不能突破Base边界——关于推理能力外推、稳定性与训练条件的系统分析 | 长琴[1]》。为了保持模型的探索性，常见的基本做法就是控制熵，这个方向有一大堆论文研究，我们也写过一点，比如《GRPO“第一背锅侠”Token Level X2：GTPO双“T”傍地走 | 长琴[2]》、《GRPO优化在继续——CISPO和熵 | 长琴[3]》。
今天介绍一个新的思路和方向，比训练中控制更前一步，直接优化 Pass@k，而不是 Pass@1——《2508 Pass@k Training for Adaptively Balancing Exploration and Exploitation of Large Reasoning Models[4]》，来自字节 seed × 人大。至于为什么会突然关注到这个方向，那自然是工作中遇到需要保持多样性的优化问题了。发现这个新方向后感觉还挺有意思，就拿来了解一下。
上次在讨论《从持续学习到下一代 AI 方向探讨 | 长琴[1]》时，我们说到 reward、评价系统，今天就来聊聊这个话题。Reward 对 RL 至关重要，或者说 RL 的目标其实就是 reward。无论是之前的 RL，现在的 RL，还是未来的 RL，都离不开 reward 的设计，可是关于 reward 本身的思考方面的研究却并不多见。本文就通过几篇相关的研究来和大家共同探讨一下。
随着 OPD 不断成熟，现在的做法早已不再是简单的 teacher 蒸馏了，最近看了几篇相关文章，发现一个研究范式转移：从「怎么蒸馏（温度/KL方向/采样策略）」到「蒸馏什么（信号分解与归因）」。具体做法可以用一个简单公式说明：
1 | 有效信号 = f(output_A) − f(output_B) |
A、B 在恰好关心的那一维度不同，其余对齐。这个本质是反事实对比在 token-level 蒸馏上的应用——不学习教师原始输出，而是学习「教师在特定条件变化下的输出差」。简单来说，不是直接学教师，而是学教师在不同情况下的「差异」，类似于学这种「能力」。本文我们就看看它们都是怎么做的，以及会给我们什么启发。
上次提到《当我20天的账单超过4000美元 | 长琴[1]》应该只是众多使用 AI Coding 场景中的一个缩影，本文还是以我自己为例，继续聊聊 AI Coding 以及 AI。
关于重要性采样系数，之前已经介绍过不少了，不过主要方案还是 clip，比如《GRPO“又一背锅侠”：Clip的各种拉扯 | 长琴[1]》中介绍的一系列文章，更进一步的优化是《GRPO优化在继续——CISPO和熵 | 长琴[2]》的 sg 和 特定 token mask，Minimax 后续模型也都用了自家的 CISPO，但是依然没有脱离 clip 和超参数设置。
Clip 有助于训练稳定，这没问题，但它最大的问题是会抑制来自高偏差策略样本的梯度，从而丢失有价值的学习信号。本文我们介绍的 SIS（Selective Importance Sampling）来自论文 Turning Off-Policy Tokens On-Policy: A Plug-in Approach for Improving LLM Alignment (arxiv:2607.04728)[3]（文章图片、公式均来自此论文），在这个方向上再进一步。他们的出发点很简单——将那些 off-policy 的 token 转为 on-policy，自然就不需要 IS 了。具体怎么做的呢？他们将旧策略作为建议分布，执行 token 级别的拒绝测试：被接受的 token 自然就可以看作 on-policy 的，被拒绝的那就保持原来的 IS。
SIS 是即插即用的，仅修改重要性采样系数，而且它还有个正的外部性——提升训练的稳定性。关于稳定性我们在《GRPO“第一背锅侠”Token Level X：DAPO/DrGRPO与GSPO/GMPO的殊途同归 | 长琴[4]》提过，后面又专门写了两篇相关文章：《稳定压倒一切：MoE RL 训推不一致问题及解决策略 | 长琴[5]》、《MoE RL 训练不稳定性再思考：训推不一致，还是采样噪声？ | 长琴[6]》，感兴趣的同学可以进一步阅读。
这里的问题或麻烦可能在于引入一个拒绝测试，不过论文给出了一个近似做法，使整个计算保持较低计算成本。效果和稳定性双全（见下表），值得一试。
关于 Agentic RL 相关的我们之前已经介绍过几篇了：
要说这类任务和普通任务的区别，可能最明显的就是「Step」这一步的处理了。和 LLM 不同，长程 agent 任务（尤其是机器人）经常会有物理意义上的多步，那是真正的 step，而不是多步推理那种多个 token。正是因为这种相对稳定的 step 特性，所以这种类似 “锚点” 的 step 就能给 RL 带来不一样的启示。今天我们就来介绍一个有意思的设计，它通过一个分类器把稀疏的结果奖励转为稠密的过程奖励。
