速评：真正的判断藏在摘要倒数第二句，不在那个 2.7 个百分点上。
9 月 16 号早上挂上 arXiv，编号 2609.18321，两位作者，14 页 3 张图，就这么点体量。做的是离线 on-policy 蒸馏里一个大家心里有数、平时绕着走的问题：学生的轨迹和教师的监督信号只采一次，之后反复拿这批数据优化——效率是效率，代价是教师当时翻过车的那些题，连带着错误的监督一路往下污染，越训越像。
作者真正要说的那句话很短：教师在某道题上失败，只是个题级别的信号，粗得不能再粗。
这句才是要害。数据筛选做了这么多年，默认手法一直按题切——教师这道题答错，整条轨迹扔掉。可一条轨迹几百上千个 token，错在最后那步，前面推得干净利落的部分凭什么一起陪葬。这剧本，眼熟，样本级筛选的所有麻烦都是这一个来源：一个太粗的标签，管着一堆颗粒度细得多的东西。
估这条轨迹上"哪些还学得动"，本来有个直白的办法——接着往下续写，看教师能不能续回来。听着靠谱，但作者的取舍在这儿：续写要重新生成，一生成，离线蒸馏省下来的效率优势当场没了，等于为了修一个工程问题去造一个更贵的工程问题。所以他们换了条白嫖的路子：先只用教师做对的题训一版，拿这个模型回头去算教师做错的那批轨迹上，每个 token 的似然被拉动了多少。
拉得动，说明这个行为跟成功样本教出来的方向一致，权重给高；拉不动的、甚至往回走的，压下去。全程不生成，只把存下来的轨迹和 checkpoint 过一遍。
方向我认，力度得打个问号。
这个信号测的是"跟成功分布同不同向"，不是"对不对"。教师犯错至少两种。一种错得明明白白，连文风都跟成功样本不是一路，这种一挑一个准。另一种错得跟成功样本一个模子——推理步骤的架子搭得漂漂亮亮，最后结论反了，或者错在训练集里高频出现的某个模式上。第二种在似然变化上会显得特别"可学习"，权重反而被抬起来。2.7 个点我信是真的，但我也信它捡的主要是头一种。真要较劲，得看教师属于哪种错法的 ablation，摘要里没说，14 页的篇幅里未必有地方放。
不过话说回来，这个代理量是免费的。不生成、只算一遍，代价低到可以往各种基线上叠——这才是它比续写估计强的根本原因。一个即插即用的小模块，存在感是拿"便宜"换来的，不是拿"准"换来的。这个定位我认为是对的，甚至比它准不准更重要：这年头愿意接受一个"不精确但几乎不要钱"的估计器的论文，比愿意再堆一个精确估计器的论文有用。
然后是这次最该琢磨的地方。
摘要里摆的是 2 块 GPU、约 22 个 GPU 小时，对面在线 OPD 是 3 块卡、36 到 48 小时。22 对 36 到 48，不到两倍，不是数量级。多插了一整个只用成功样本的蒸馏阶段，还能省这么多，省的地方其实就一处：不用生成。不是效率差多少，是一篇蒸馏论文开始把电费写进摘要了。
两年前这批论文的摘要里放什么？参数量、榜单第一、SOTA 那几个字。现在放 GPU 小时数。谁在写摘要、写给谁看，一目了然——审稿人和同行的耐心都被贵怕了，你不把账摊开，没人陪你往下看。这不一定是好事，但一定是个风向。
这里立个 flag。
如果这套"先用成功样本训一版、再回头看似然位移"的打法真站得住，今年年底之前它应该会以一个小模块的形式，悄没声地出现在某个开源后训练框架里，没人发通稿，commit message 里大概率连这篇论文都不提。要是到年底只剩引用、没有实现，那就是我前面说的那个毛病坐实了：代理量太粗，换一套数据和教师就掉。追这一点比追那 2.7 个点有意义——那个数字是别人数据集上的，这个 flag 是我自己押的。
最后交代时态：v1 是 9 月 16 号 08:41 UTC 提的，我写这个的时候它才挂了三天。我没复现，也没打算这周复现。这篇评的是它的定位、算法骨架和摘要里的措辞选择，2.7 那个数字我不背书。谁要拿它当卖点，那是他自己的事。