Wide
这次做错，还能怎样考？
从至少出现一次失败的题出发，扩展仍考同一能力、难度接近的新任务。目标会变化，练习重点不丢。
出现失败→同能力新目标
只从真实失败扩展。全对的题不作为 Wide 来源；同一类可以分到多个出题位置。
SELF-EVOLVING AGENTS / 研究全景方法 · 实验 · 真实记录
从一次做错，
走向持续学会。
不只围绕错题“再出一道”。沿着同一种能力，做对后继续挑战，做错后退一步练习，再回到没有解决的问题。让模型自己的经历，变成下一轮真正有用的训练。
当前聚焦 TextCraft · 学生模型 Qwen3.5-4B
同一种能力，不止一条练习路线THE LEARNING MAP
一场有明确分工的比较从原始模型到完整方法，逐项检验收益来自哪里。
10组
9 组训练 · 1 组不训练
3轮
最多 2 次课程调整
20题 / 轮
超时预算则统一 16 题
8份 / 题
每份最多 24 个动作
当前状态 · 2026 年 10 月 31 日新流程已合并并完成本地检查，尚未开始正式训练。下面的真实作答来自旧版试运行，不能当作新版成绩。
本页目录 · 从入门到实验细节
01THE SETTING
先认识模型正在做的题。
这里的“一次回答”不是写一段文字，而是一整段与环境交互的过程：读任务、执行动作、看反馈，直到做成或用完机会。
TextCraft 是一个文字版制作世界。给定目标与材料，模型要根据配方，一步步制作物品。数量算错、漏掉中间物品或顺序不对，环境就会明确报错。
我们关心的是：模型能不能从自己的成功和失败中，找到接下来应该练什么、怎样把错误改好，并最终独立完成没见过的任务。
当前训练使用提前给好的有限材料，不能再取料；最终测试回到官方完整任务，从空背包开始，允许按规则取料。
一个真实配方关系 · 示意，不是模型答卷
丛林原木
丛林木板
台阶 / 按钮
换成台阶或按钮是不同目标，但都离不开“把丛林原木制成木板”这项具体能力。
第一次接触这个项目？几个词的直白解释
- 学生 / Solver
- 实际做题、通过训练改善的模型。完整方法里它也自己分析、出题和纠错。
- 出题者 / Challenger
- 负责分析与生成练习的角色，可以由学生自己承担，也可以由老师承担。
- 老师
- 特定对照组使用的另一个模型，帮助出题或提修改；不负责判断最终成功。
- 一份作答 / Rollout
- 模型从任务开始到结束的一整段动作与环境反馈，不是单次输出。
- 主练 / GRPO
- 比较同题多份完整答案的成败，以此改变其中动作的概率；不逐步判定动作对错。
- 具体能力
- 一条明确的制作操作，包含所需原料、产出物和数量；不是宽泛的“规划能力”。
- 验题 / Judge
- 用真实配方和环境搜索确认题目可完成、能力不能绕过、难度方向符合要求。
02THE CENTRAL IDEA换题、调难、改错，
换题、调难、改错，
各自解决不同的问题。
主张不是“只要出更多题就会变强”，而是持续围绕同一种能力，把学习机会放到真正需要的地方。
Deep
学会之后，还会不会？
全错时降低同一能力的必要制作难度；全对时继续升难，或回考以前没解决的题。不是每轮重置一张错题表。
难题⇄较易练习⇄回考
简单题做对，不自动把原难题算作学会。当前三轮只检验最多两次课程调整。
Repair
成功经验，能修好这次错吗？
看完整失败经过，参考已有同能力成功，找出值得改的动作。修改必须在原题条件下真正做成，再用于学习。
原题失败→改正并执行
只学习真正帮助原目标的改正动作。漂亮的反思文字本身不会得到分数。
TRY THE LOGIC / 交互示意
同一道题，8 份答案。
拖动成功数量，看看这一轮能学什么、下一轮怎样安排。
有可比较的差别
这题可以推动主练。
成功与失败形成对比，八份答案一起参加学习。不是只把成功答案抄一遍。
WIDE
可从失败扩展同能力新任务。
DEEP
通常保留这道已经能产生信号的题。
核心判断：结构上更简单或更难，不等于更适合模型学习。新题能否带来有对有错的答案，要看下一轮正式作答；环境验题不能替模型回答这个问题。
03ONE ROUND, END TO END先把整轮做完，
先把整轮做完，
再一起学习。
不再单独摸底，也不逐题改模型。训练中的八份正式答案，同时提供奖励、错题依据和下一轮选题信息。
第 1 轮 · 共同起点
九组共用相同母题、答案和首次主练终点。纠错组随后各自纠错。
第 2 轮 · 第一次课程调整
各组独立读取第一轮正式表现；共同组成完整一轮，再学习。
第 3 轮 · 第二次课程调整
依据第二轮表现和历史记录继续；随后所有组进入同一固定测试。
主练到底学什么？奖励如何设置？
环境确认完成规定目标得 1 分，正常用完动作而未完成得 0 分。没有老师主观评分，没有部分进度分、短答案奖励或反思奖励。环境异常和中断不当作普通答错。
每题只比较自己的八份答案。八份全对或全错时没有组内差别，这题不进入本轮主练；有对有错时，八份都参与。成功答卷中的动作得到正向信号，失败答卷中的动作得到反向信号；主练不逐步判断动作对错。失败答卷里原本正确的动作，也没有在主练中单独排除。题目和环境反馈留作上下文，不作为要输出的目标。
例如二十题中只有六题有对有错，本轮真正用于主练的是 6 × 8 = 48 份，不是收集到的一百六十份都能推动学习。
下一轮用的是上一轮采样时的真实结果。训练后不另做整批复测，更新后的能力由下一轮正式作答反馈。
哪些工作共用，哪些必须独立？
第一轮输入和模型完全相同，九个训练组共用答案与首次主练的完整结果。包括模型、继续训练所需状态和已完成记录；不是只复制答案后把同一次学习算九遍。
从首轮纠错开始，各组独立。后续出题、答案、模型和纠错不跨组传递；不训练组 N 始终使用原始模型。三轮九组账面有二十七次主练阶段，实际最多计算十九次；三个纠错组另有最多九次纠错学习。
当前按一个组接一个组执行，同题两份答案一起做，八份分四批收齐；批次之间不训练。没有有效数据的阶段保留结果，但不会空做一次模型调整。
04THE EXPERIMENT
十组，分别回答一个问题。
既保留“重复练原题”，也保留“随机换题”，再逐项加入 Wide、Deep 和纠错。老师对照与学生完全自进化分开报告。
WDR
Wide + Deep + 学生纠错
完整方法。学生自己分析、出题与纠错，Wide 和 Deep 在同一轮共同组成二十道题。
与 WD 比较：纠错是否提供额外收益？
WD、WDR 后两轮默认 10 个 Wide 位置 + 10 个 Deep 位置；十六题方案为 8 + 8。不是先 Wide 学一遍再 Deep 学一遍，也不是各出二十题。没有可用的 Wide 失败来源时，名额交给 Deep。
训练题、随机对照与模型起点怎样确定？
当前准备使用的官方池包含 374 个训练目标、100 个测试目标，两者分开。固定二十道训练母题；最终测试从官方测试池预先固定五十题。
R 组先排除全部二十个母题，再从训练目标中无放回随机抽四十个，分给第二、第三轮。若统一切到十六题，使用母题及每轮随机池各自固定的前十六题，不根据模型成绩重抽。随机题准备失败也不偷偷换成更容易的一道。
本次各组从同一 Qwen3.5-4B 基础模型开始，不加入专家答案预热。准备时用于核实题目可行性的路线，不作为答案交给学生。
展开十组完整对照表
| 组别 | 第二、三轮怎样选题 | 谁分析 / 出题 | 谁纠错 | 主要比较 |
|---|---|---|---|---|
| N · 不训练 | 不进行训练 | — | — | 原始模型起点 |
| O · 原题 | 重复固定母题 | 不出新题 | — | O 对 N：重复训练 |
| R · 随机题 | 预先随机选择官方训练目标 | 不按错题出题 | — | R 对 O：普通换题 |
| WT · 老师 Wide | 从失败扩展同能力新题 | 老师 | — | WT 对 WS：出题者 |
| WS · 学生 Wide | 从失败扩展同能力新题 | 学生 | — | WS 对 R / O：针对性扩展 |
| D · Deep | 调难、保留可学题、回考旧题 | 学生 | — | D 对 R / O：Deep 组合机制 |
| DR4B · Deep + 纠错 | 同 D | 学生 | 学生 | DR4B 对 D：学生纠错 |
| DRL · Deep + 老师纠错 | 同 D | 学生 | 老师 | DRL 对 DR4B：纠错者 |
| WD · Wide + Deep | 同轮混合，两部分共用整轮题额 | 学生 | — | WD 对 WS / D：结合收益 |
| WDR · 完整方法 | 同轮混合，两部分共用整轮题额 | 学生 | 学生 | WDR 对 WD：完整组合中的纠错 |
DRL 只把纠错者换成老师，出题仍由学生负责。十组是同一实现内的机制比较，不等于已经复现十篇外部论文。
这场实验到底做多少份答案？
优先 20 题；预计全程超过 30 小时，所有组统一改 16 题。测试不缩减。
3,040
实际新增主练答卷
160 + 9 × 2 × 1601,500
固定最终测试答卷
10 组 × 50 题 × 3 份4,540
普通完整答卷合计
另计出题与纠错执行数量、候选上限和最终测试的全部安排
| 项目 | 20 题方案 | 16 题方案 |
|---|---|---|
| 每组每轮主练答卷 | 160 份 | 128 份 |
| 每组三轮主练答卷 | 480 份 | 384 份 |
| 首轮共用后新增主练答卷 | 3,040 份 | 2,432 份 |
| 全部候选题位置上限 | 280 | 224 |
| 全部分析请求上限 | 280 | 224 |
| 全部纠错方案上限 | 540 | 432 |
| 最终测试答卷 | 1,500 份 | 1,500 份 |
| 独立摸底 / 额外参考答卷 | 0 / 0 | 0 / 0 |
测试固定下来，不根据成绩换题
官方一百道测试任务中预先固定五十题，抽样种子 618050，保留官方顺序。每组最终模型对每题做两份随机作答 + 一份固定作答，每份最多二十四动作。随机种子 618001、618002；固定作答不随机采样。
十组先各完成训练与前三十题测试，再统一完成后二十题；不会用前段成绩挑选哪些组继续。测试期间不学习、不纠错、不提供训练参考答案。
分别报告一百份随机答案和五十份固定答案的成功率。“两份里任一成功”不是单份作答成功率；两次随机作答也不是两个独立训练种子。
候选位置不是合格新题数
七个调整课程的组只在后两轮出题，最多 7 × 2 × 20 = 280 个候选位置。每个位置最多一次候选，不合格就保留来源题；同来源、同能力、同方向的候选最多两道合并请求。整轮去重，缺位从旧题或母题补齐。
纠错方案还需在原环境执行，最多二十四动作；验题搜索、分析、出题和纠错都占用时间，不能只用普通答卷数估算整场耗时。
05FROM THE ACTUAL RECORDS不要只看流程图。
不要只看流程图。
看模型真正做了什么。
下面展示保存下来的真实模型动作、环境反馈与历史出题。可以切换实例、展开完整过程，比较相同任务上的成功与失败。
这是历史原始记录，不是新版演示结果。这些答卷来自旧版初始作答；历史出题使用当时的规则。当前新版还没有真实训练后答卷，也没有可展示的新版成功纠错轨迹。
REAL RECORDS / 历史原文
正在载入已脱敏的真实记录…
动作和环境反馈保留原文；中文解释与高亮是本页整理。全量公开实例可在精选记录文件中查看，包含公开来源编号与原始文件摘要。
06TRUST THE ENVIRONMENT
难度不是出题模型说了算。
先确定这道题能做成，再验证它真的保留了那项能力，以及变化方向是否正确。保留这些判断，是为了确保研究比较的是同一件事。
- 1训练与测试分开母题、新题使用官方训练目标；固定测试目标不能用于训练，也不能作为赠送材料。
- 2原配方、原规则材料与数量明确，不能开局就拥有目标。改变起点或目标，不改世界规则。
- 3真实可完成父题与新题都必须存在二十四动作内的完成路线，最少动作来自环境搜索。
- 4能力确实不能绕开所选制作能力必须参与最终目标，不能用无关支线凑难度，也不能赠送成品跳过它。
- 5改变必须符合方向同时看目标相关的必要能力链和最少动作数，不只看答案文字变长了多少。
三种变化，三条验题标准。
Wide / 相近难度的新目标
必须换目标；必要链深度差 ≤ 1。最少动作差 ≤ 原题最少动作的四分之一向上取整，至少容许差一步。
Deep ↑ / 升难
目标相关的必要能力链严格变深，且最少动作数不能减少。
Deep ↓ / 降难
必要能力链严格变浅，且最少动作数不能增加。已经只有一步时不再硬降。
一条被真实环境核实的难度谱系
下面是验题程序的结构示例，不是模型成功率。三个目标都经过同一条闪长岩制作能力。
diorite
闪长岩 · 直接练关键制作
1必要链1最少动作
andesite
安山岩 · 加一层依赖
2必要链2最少动作
polished_andesite
磨制安山岩 · 更深组合
3必要链4最少动作
一个应该被拒绝的“升难”：从皮革裤到书架，相关链从 2 层变 3 层，但最少动作从 8 减到 7。它不满足当前升难规则，不能仅凭链更长就收下。
验题到哪里结束？怎样避免额外检查拖慢实验？
固定配方和已确认的父题结果复用；关闭不用的旧指标。每项搜索最多 3,000 个状态、30,000 次转移、12 秒。一个候选可能有多个搜索，所以十二秒不是整道候选的总上限。
搜索没完成不算合格新题；明确不合格就保留来源题。环境执行异常单独报告，不能偷偷当成模型出了一道坏题。
验题合格后不额外生成八份试答。下一轮正式八份中是否出现 1–7 份成功，才回答“这题有没有带来可学内容”。题目结构合格率与可学题比例分开统计。
当前验证能检查可完成性、必要能力和结构方向，但不会证明模型提出的失败原因是唯一原因；这些结构指标与模型实际感觉的难易程度，也需要通过后续作答验证。
07WHY ADD CORRECTION?“简单题做对了”，
“简单题做对了”，
离“原来的错误改好了”还差一步。
Deep 负责接下来练什么；纠错负责把相关成功经验带回原失败。两者结合的价值，必须体现在原题修复和独立测试上。
整条经过，局部定位
保留完整失败过程，参考已有同能力成功，指出一到三个与失败有关的位置。全错题也可以尝试修正。
原材料，原规则，原额度
如果当前题是降难后的题，回到原来的失败难题。参考只提供思路，不能把简单题额外的材料带过去。
整题做成，选出关键动作
只学习真正改过、被执行到、帮助原目标的动作。不学习反思、反馈、未变化的正确动作或无关生产。
① 错误发生前，换一种做法
已执行前缀→错误改正→完成目标
保留错误之前的状态，从出错位置重新写后续。学习的是“以后别在这里犯这个错”。
② 错误已经发生，继续补救
已执行前缀→错误及后果→补救
必须保留错误造成的真实后果。学习的是“已经出错时，如何恢复”，不把重写成功冒充现场补救。
纠错提供的是独立的学习材料，不篡改原来的八份答卷。主练仍按学生自己的原始成败作比较；纠错阶段只学习经过原环境验证的改正动作。
每轮纠错多少次，怎样筛选，什么时候训练？
每个训练位置最多三个方案：先提前改正，再保留错误尝试补救，最后对另一份失败再提前改正；只有一份失败时，第三次可继续使用这一份。每个方案最多挑三个值得学习的改正动作。
二十题时，每个纠错组每轮最多六十个方案、一百八十个改正动作；十六题时为四十八个方案、一百四十四个动作。实际学习量取决于是否有失败、修复是否成功、动作筛选与去重。
方案只有在原目标真正完成、所选能力实际参与、改正动作有意义时才保留。不学习无效动作、查询背包、未执行后续和对目标无用的产物；相同输入下的相同改正去重。
整轮主练后收集方案，收齐整轮合格动作后统一学一遍、最多调整一次。没有合格修改就不调整。DR4B 与 WDR 由此时的学生提出方案，DRL 使用老师。
当前尚无新版真实成功纠错记录。要检验它是否有效，必须观察原题修复率、无参考情况下的原题表现，以及未见任务收益；修复成功数本身不是最终成绩。
08UNDER THE HOOD想对照实现？
想对照实现？
从这张地图开始。
下方是当前冻结代码中的实际分工和提示原文。固定提示与动态输入分开展示；历史旧提示不会伪装成当前配置。
统一实验设置
signal_first/protocol.py十组定义、三轮、题量、奖励与总工作量。
整轮执行与共用首轮
course.py · shared_learning.py收集、主练、纠错、保存与阶段接续。
课程与长期记录
curriculum.pyWide / Deep 位置分配、旧难题回考、去重补齐。
分析与候选出题
generation.py失败证据、具体能力、学生或老师候选。
环境验题
family_judge.py可完成性、不可绕开的能力、真正的难度方向。
整轮主练
learning.py八份答案的相对结果、动作学习、一次集中调整。
原题执行与局部改正
correction.py两种修复方式、原题执行、动作筛选与纠错学习。
固定最终测试
evaluation.py五十道同一测试题、随机与固定作答分开报告。
正在载入从当前代码核对的提示词…
CURRENT PROMPT
动态输入：出题模型真正看见什么？
每次分析包含同题八份成败统计；如有失败，选动作种类最多的一份完整失败；如有成功，选最短的一份完整成功。保留选中轨迹的全部动作和反馈，不把八条长全文全部重复塞入输入。
可选能力来自题目原配方中真正与目标有关的部分。模型选择具体制作能力，并引用真实动作位置；学生组分析失败不会偷偷切换老师。
候选输入还会提供来源题、目标变化方向、可用官方训练目标和起始材料约束。模型返回结构化候选，程序再验题；它自报“合格”不算数。
当前输入上限 4,096 token。完整所选证据放不下时，该位置保留旧题，不把截断过的任务当作同一题继续。内容不合格不无限重写；网络临时失败与内容失败分开处理。
模型、采样与训练数值设置
- 学生模型
- Qwen3.5-4B
- 老师模型
- openai/gpt-6-luna
- 老师参与位置
- WT 分析出题 / DRL 纠错
- 训练起始种子
- 163
- 输入 / 动作输出上限
- 4,096 / 64 token
- 分析出题 / 纠错输出上限
- 2,048 / 512 token
- 随机温度
- 1.0
- top-k / top-p / typical-p
- 0 / 1.0 / 1.0
- beams / 重复惩罚
- 1 / 1.0
- 额外思考输出
- 关闭
- 学习率 / 优化器
- 1e-5 / AdamW
- 权重衰减 / 梯度上限
- 0.01 / 1.0
- Adam β / ε
- (0.9, 0.999) / 1e-8
- LoRA rank / alpha / dropout
- 16 / 32 / 0
- 更新范围
- 所有线性层的 LoRA；基模不更新
- 基模 / 可训练参数精度
- bfloat16 / float32
- attention / 梯度检查点
- SDPA / 关闭
- 每轮主练遍数 / 调整次数
- 1 / 最多 1
- 每轮纠错遍数 / 调整次数
- 1 / 最多 1
- KL 系数
- 0.0
老师只在明确的对照组参与，不担任奖励裁判。主练与纠错沿用同一阶段的学生状态，后者是独立的局部动作学习。
学习计算与代码函数对应
主练：同题八份的相对结果
rᵢ ∈ {0, 1}
Aᵢ = (rᵢ − mean(r₁…r₈)) / (sample_std(r₁…r₈) + 1e−6)
全对 / 全错组跳过；其余组按生成动作的 token 总量累计梯度。
整轮数据完成、有有效非零梯度时，最多进行一次 optimizer.step()。
主练下侧 / 上侧截断为 0.2 / 0.3，双重截断参数 3.0，重要性权重上限 2.0。当前计算的停止梯度副本作为近端参照，采样时记录的概率用于独立的重要性权重。因为整轮最多更新一次，不应把它等同于旧版多次更新的学习器。
纠错：只学习有效改正动作
使用所选改正动作文字的交叉熵，按整轮输出 token 总数归一化，每动作最多 64 token。学习时重建普通做题输入：原题、保留的动作和环境反馈作为上下文；反思只用于提出修改，不输入最终纠错学习。修正不改变主练原始奖励。
正在载入核对后的函数对应…
保留哪些结果，又删掉了哪些耗时环节？
保留能解释实验的关键证据
完整答卷、八份汇总、候选与取舍、能力追踪、原题修复经过、每阶段模型、继续训练所需状态、最终每题成绩与总表。
完成一份答案再保存；每轮主练或纠错后保存模型。中断后只补缺失答案，不重学已经完成的阶段。
移除不增加信息的重复工作
不逐动作写盘、不单独摸底、不额外做整批参考题、不反复读取固定配方和已完成的大型验题材料、不计算不用的旧指标、不在收尾复制扫描全部历史。
新的题目仍须验题，纠错仍须回原环境执行。这两项直接决定训练材料是否可靠。
当前另有可选的 WDR 最多两小时短运行与原地接续安排，用于约束一次试运行；不是完整十组只需两小时。读取缓存减少的是具体重复工作，不代表整场 GPU 已获得同样比例的提速。新方案总耗时仍需真实运行确认。
09IN CONTEXT站在已有工作上，
站在已有工作上，
把问题问得更具体。
自生成训练、语言反思、局部反馈和错误修正都有先例。本项目要验证的是：同一能力的横向扩展与纵向追踪，能否共同带来更有用的学习。
正在载入原文核对的相关研究…
HYPOTHESIS 01
从当前错题，走向持续能力追踪
不是只记“上轮错了什么”，而是保留同一具体能力的难易关系。以前做对的继续考，退到简单题后仍记得回来。
HYPOTHESIS 02
从调难本身，走向有效学习机会
同时观察结构合格率与有对有错的题目比例。检验 Wide 与 Deep 同轮组合，是否更好地利用有限题额。
HYPOTHESIS 03
从参考成功，走向原题有效改正
把同能力成功当作修复线索，在原环境执行后只学相关动作；检验它能否弥合简单练习与复杂任务之间的差距。
这些是待验证的研究贡献，不是已经成立的领先结论。“Wide / Deep”是本项目的机制划分，不能据此声称其他研究都没有难度调度、长期记忆或课程学习。
怎样形成扎实的论文比较？哪些结论还不能从这十组得出？
这十组能比较重复、随机换题、针对性扩展、Deep 组合机制以及加入纠错的收益。但 D 没有进一步拆成“只调难不长期追踪”，也没有“无课程、只有纠错”组，因此不能单独归因长期追踪，或严格测出纠错与 Deep 的交互收益。
纠错组有额外请求与学习数据，需要同时报告耗时、模型调用和总成本；进一步用等成本比较，排除只是多花计算的解释。
Agent-R 已在 TextCraft 做过修正训练，是很直接的外部对照。复现比较要统一模型、训练任务、动作上限、搜索和训练预算；不能把它论文的百分数直接放到本项目成绩旁宣称胜负。
当前每组一个训练随机起点、三轮，只能先检查机制与初步收益。后续需要独立训练种子、更多课程轮次、原难题无帮助回考、已会任务保持、未见任务迁移，以及更多环境。
TextCraft 适合先把配方关系与判定做清楚；ALFWorld 是已探索的下一类环境。ScienceWorld 与 AppWorld 有直接相关论文，但当前页面不把它们写成已经接入或完成的新实验。
10THE PROJECT SO FAR保留正信号，
保留正信号，
也把没奏效的部分说清楚。
项目从多环境探索，逐步收敛到可验证的题目关系与学习信号。下面是历史审计的关键发现；不同日期与版本的数字不混成一张成绩榜。
从任务生成，走到真实交互与学习
AppWorld 的多轮训练没有形成可靠完成率提升。程序发生了参数更新，不等于任务能力提高；于是转向成败明确、难度关系更容易核实的任务。
预热之后，更要测出自进化的增量
BabyAI 小测试在预热后已满分，后续没有实际强化学习更新；TextCraft、ALFWorld 的旧实验也没有证明 Deep 比成功答案自训练更好。审计发现旧难题回访不足、两端缺少学习信号、辅助成功未迁回原题。
12 题小比较：出现早期正信号
当时独立测试中，原始模型、随机选题、Wide、简化 Wide + Deep 分别成功 5、5、6、7 题；三个训练组各发生 48 次更新。这是旧辅助式 Deep 的单种子小样本信号。
24 题开发比较：完整 Deep 没有赢过强对照
原始模型成功 1 题、随机组 5 题、Wide 7 题、辅助历史组 9 题、完整 Deep 6 题。共同学习方式可以带来提升，问题不只是“小模型学不动”，还在于预算是否用在正确能力上。
重新审视“调难就能学到”的假设
难题可能全错，降到简单题后又可能全对；两者都可能缺少可比较的奖励。必须分别检查可学题比例、能力组合和原题迁回，而非只数训练成功。
同时清理慢链路与纠错入口问题
重复固定材料检查、逐步保存和独立摸底拖慢流程。旧 Deep 入口对配方修改提出冲突要求，实际任务进不去；修正还需区分提前改写、错误后补救，以及简单成功是否真正带回原题。
当前方案：同轮 Wide + Deep，原题验证局部纠错
按具体能力追踪，保留原配方，以正式八份答案调度；首轮共用，整轮统一学习。实现与本地检查已合并，新版正式模型实验尚未开始。
这次修改，分别针对什么问题？
让摸底退出关键路径
先做额外检测，学习一直排在后面。
直接用主练八份答案的结果选下一轮题，不另采一批摸底。
让不同方法公平从同一点开始
相同首轮重复采样与学习，增加成本与差异。
共用首轮完整学习终点，后续各组独立；O、R 同时保留。
让 Deep 改变任务，不改变世界
配方改动约束互相冲突，或难度变化只停留在文字上。
保留原配方，通过训练目标和初始材料建立可核实的难易关系。
不让简单题“冲掉”旧难题
简单题成功后替换当前题，原难题可能丢失。
按具体能力保留未掌握分支，成功参考触发回考，不清空旧账。
把纠错变成可信的学习材料
反思、整段成功或文字变化，不一定对应真正有用的改正。
回原题执行成功，再筛选与失败及目标有关的局部动作。
把时间花在做题与学习上
重复读取固定材料，动作后检查与保存，反复扫描历史。
固定内容复用，完整作答和学习阶段保存；必要验题与修复验证留下。
目前有依据的结论
- 训练确实能带来变化，但 Deep 尚未稳定占优。旧小样本有正信号，也有完整方法落后强对照的开发结果。
- 全对 / 全错题缺少本轮主练差别。主练与纠错信号必须分别统计，不能把采样量等同有效训练量。
- 当前环境关系和合并流程完成本地检查。这支持继续真实模型验证，不代表学生已经学会或总耗时已确认。
接下来需要分步回答的问题
- 真的增加有用练习了吗？本次统计每轮合格候选、实际课程构成、有对有错的题数与学习量。
- 真的把原来的错误改好了吗？本次统计原题修复与有效改正；后续补充原题无参考独立回考。
- 真的带到新题了吗？本次比较固定五十题的随机与固定作答成绩，以及达到该效果的总成本。
当前正式设计尚未额外增加原难题无帮助复测；这一项是后续机制验证需求，不计入上方 4,540 份计划量。
11TAKE IT WITH YOU
把说明带走，继续追问。
可下载材料仅包含本页公开内容，不包含账号、连接信息、私有文件位置或未经筛选的混合日志。
来源与版本口径
当前方法依据 2026 年 10 月 31 日合并的实验说明、统一设置与实际实现核对，源码标识为 befbef135dfc7。这是页面的核对快照，不是实时实验监控。
真实模型实例采用原始作答与模型回复；本页生成的流程图标注为示意，真实配方链标注为环境结构验证。历史结果来自项目已有审计与复盘，保留当时版本、题量与比较范围。
相关论文在本轮查阅原文，分别链接到 arXiv。它们论文中的模型、交互上限和任务量与本项目不同，不直接混排成绩。