横向扩展
Teacher 归因聚类，按类成批生成 Wide 题。复习自己此前学过的 Wide 题，保持该题难度。
检验有针对性的任务扩展
SELF-EVOLVING AGENTS / 实验进度21 / 21 轮已保存 · 已存 302 / 720
保留每次练习，
看清改进来自哪里。
原四组三轮学习已保存。在保留已有成果的基础上，追加改进课程、原题纠错和 50 种子三组，分别观察安排练习、修正错误和增加题量的作用。
TextCraft · Qwen3.5-4B · 八个主要模型 + 独立小对照
七个训练组的 21 / 21 轮已完成。17:29 的记录中，WT、DT 各保存 84 / 90 份，均缺 6 份待补测；WDT 已保存 44 / 90 份并继续测试。完成时间待补测恢复后重新估计。
基础模型共同 30 题：随机作答答对 27 / 60（45%），固定作答答对 15 / 30（50%）。查看测试成绩 → 查看本次进度记录 ↓
20 种子 WDT 的整轮主练THE LEARNING LOOP
WT、DT 待补测，WDT 继续测试七个训练模型 + 未训练参考
8主模型独立小对照另计
3轮正式训练安排
30测试题每模型每题 3 份
2026-11-02 17:29 / 独立共同测试
已存 302 / 720 份WT、DT 各缺六份，WDT 继续测试。
每个模型都做相同的 30 道题，每题随机作答两次、固定作答一次。两种方式分别计分。
| 模型 | 随机作答 | 固定作答 | 完成进度 |
|---|---|---|---|
| N · 基础模型 | 27 / 60 · 45% | 15 / 30 · 50% | 90 / 90 · 已完成 |
| WT · 横向扩展 | 待补测 | 待补测 | 84 / 90 · 已中断 |
| DT · 纵向调难 | 待补测 | 待补测 | 84 / 90 · 已中断 |
| WDT · 两者结合 | 测试中 | 测试中 | 44 / 90 |
| R · 官方题对照 | 待测试 | 待测试 | 0 / 90 |
| OPT · 改进课程 | 待测试 | 待测试 | 0 / 90 |
| REPAIR · 加入纠错 | 待测试 | 待测试 | 0 / 90 |
| SCALE50 · 扩大题量 | 待测试 | 待测试 | 0 / 90 |
WT、DT 都因较长题目的完整作答历史超过长度限制而中断，各保存 84 份答卷，合计缺 12 份。主会话已完成本地修复，正在准备补测，只补缺失答卷。基础模型 90 份、WT 84 份、DT 84 份、WDT 44 份，合计 302 份。
独立小对照单独报告；16:37:20 的已核对记录为 0 / 180 份。
下载基础模型成绩（故障前记录）↓ · 查看中断与补测记录 ↓V7 / 追加比较
新增三组三轮均已保存改课程、加纠错、扩大题量，分别观察。
原 WT、DT、WDT、R 三轮题量已确定为 31 / 40 / 44 题。新增 OPT、REPAIR 共用原 WDT 第一轮完整主练成果，第二、三轮各自重新出题、作答和学习。两组使用相同课程规则和题量，后续题单会随各自模型表现变化。
REPAIR 复用首轮 31 题、248 份答卷和主练成果后，已完成第一轮纠错学习。39 个纠错方案中，34 个合格，覆盖 12 个原目标；去掉重复项后，用 49 条合格改正动作学习 1 次。旗帜原题的 3 个方案均合格；书架原题的 3 个方案均未完成原目标，没有动作进入学习。
SCALE50 首轮由 50 道种子和 25 道新题组成，37 题有对有错并参与这次学习；新题中有 13 题有对有错、9 题全对、3 题全错。这批首轮答卷来自初始模型。OPT、REPAIR、SCALE50 三轮现均已完成并保存。SCALE50 第三轮新增 9 题，共完成 84 题、672 份回答。
窄屏可左右滑动下表。
| 新增组 | 从哪里接续 | 三轮题量 | 新增训练回答 | 原题纠错 |
|---|---|---|---|---|
| OPT · 改进课程 | 复用原 WDT 首轮 | 31 / 40 / 44 | 672 份，已完成 | 无 |
| REPAIR · 加入纠错 | 复用原 WDT 首轮 | 31 / 40 / 44 | 672 份，已完成；纠错另计 | 每轮主练后 |
| SCALE50 · 扩大题量 | 从初始模型开始 | 75 / 75 / 84 | 1,872 份，已完成 | 无 |
课程改进：首份先启动老师诊断，八份补齐后补全失败覆盖；全错降难，全对先回考同能力未解决题，再升难；简单题出现成功后优先回原难题，退步题优先复查。Wide 优先从有对有错的题扩展，达到所需合格题数就停止尚未发出的出题请求。SCALE50 首轮补齐八份后，共识别 30 道曾失败的种子题，比只看首份多 14 道；2 个已无升难空间的来源让出名额。
纠错组：看完整失败经过，参考同能力成功，回到原题、原材料和原规则执行改正。只学习实际帮助完成原目标的改正动作；原来八份回答的成绩保持原样。每轮合格改正收齐后最多再学一次，没有合格改正就跳过。
50 种子组首轮：9 道升难题中，6 道有对有错、2 道全对、1 道全错；8 道降难题中，3 道有对有错、5 道全对；8 道 Wide 题中，4 道有对有错、2 道全对、2 道全错。整轮用时 1 小时 45 分 20 秒：出题与种子作答 66 分 23 秒，新题作答含准备约 21–22 分钟，学习与保存约 17–18 分钟。
2026-11-02 16:10:21 / SCALE50 第三轮已保存
84 题 · 672 份扩大组训练完成，原种子题的答对总数持平。
本轮由 50 道种子、25 道复习题和 9 道新题组成。40 题有对有错，33 题八份全对，11 题八份全错。整轮用了 1 小时 47 分 46 秒，包含出题、作答、一次学习和保存。
| 新题方向 | 题数 | 有对有错 | 八份全对 | 八份全错 |
|---|---|---|---|---|
| Wide 换题 | 6 | 2 | 3 | 1 |
| Deep 升难 | 2 | 2 | 0 | 0 |
| Deep 降难 | 1 | 0 | 1 | 0 |
| 合计 | 9 | 4 | 4 | 1 |
同一批旧题的变化：50 道种子从上一轮 279 / 400 变为本轮 279 / 400；12 题进步、17 题退步、21 题不变。共同 75 道旧题从 402 / 600 变为 407 / 600。
第三轮答卷在第三次学习前收集，反映第二轮最终模型；第三次学习后的表现由正在进行的共同测试衡量。
查看扩大组第三轮与剩余用时记录 ↓2026-11-02 14:22:35 / REPAIR 第三轮已保存
44 题 · 352 份纠错材料已用于学习，最后效果待共同测试。
本轮由 20 道种子、12 道复习题和 12 道新题组成，18 题有对有错。整轮用了 95 分 56 秒，主练和纠错各学习一次，两份模型均已保存。
| 新题方向 | 题数 | 有对有错 | 八份全对 | 八份全错 |
|---|---|---|---|---|
| Wide 换题 | 6 | 0 | 4 | 2 |
| Deep 升难 | 4 | 3 | 0 | 1 |
| Deep 降难 | 2 | 1 | 1 | 0 |
| 合计 | 12 | 4 | 5 | 3 |
答题表现有升有降：固定 20 道种子由上一轮 125 / 160 降到 118 / 160；共同 32 道旧题由 159 / 256 升到 164 / 256。新题中仅 4 道有对有错，6 道 Wide 题全部为八份全对或全错。
纠错做了什么：围绕 23 个原目标提出 69 份方案，其中 47 份完成原目标，46 份有合格改正，覆盖 18 个目标。去重后，73 个动作进入学习。安山岩的一份现场补救虽然完成原题，但没有合格改正动作；书架的 3 份方案均未完成原题，完整红旗的 3 份均合格。
第三轮答卷在本轮主练和纠错前收集，反映第二轮最终模型。第三轮最终效果待共同 30 题测试；老师修复成功也不等于学生已经能独立做对。
出题及旧题作答用了 42 分 47 秒；剩余答卷与准备约 11 分 37 秒–12 分 24 秒，主练与保存约 7 分 30 秒–9 分 4 秒，纠错材料生成与验证约 31 分 32 秒–32 分 58 秒，材料齐后学习、保存和退出约 17–57 秒。后四项来自相邻观察，不是纯计算时间，区间上限不能直接相加。查看 REPAIR 第三轮记录 ↓
2026-11-02 12:46:39 / OPT 第三轮已保存
44 题 · 352 份新题带来了部分练习机会，原题收益仍不稳定。
本轮由 20 道种子、12 道复习题和 12 道新题组成，17 / 44 题的八份回答有对有错。整轮出题、作答、学习和保存共用 1 小时 2 分 23 秒；本轮模型已保存。
| 本轮新题 | 题数 | 有对有错 | 八份全对 | 八份全错 |
|---|---|---|---|---|
| Wide 换题 | 5 | 2 | 3 | 0 |
| Deep 升难 | 5 | 3 | 1 | 1 |
| Deep 降难 | 2 | 0 | 2 | 0 |
| 合计 | 12 | 5 | 6 | 1 |
当前效果：固定 20 道种子由上一轮 125 / 160 变为 120 / 160，当前尚无稳定原题收益。这些第三轮答卷在第三次学习之前收集，反映前两轮学习后的表现；第三次学习的效果待共同 30 题测试。
两道降难题都已八份全对，这次没有提供主练的成败比较。查看 OPT 第三轮记录 ↓
| 第二轮 | 题目／答卷 | 有对有错的题 | 整轮用时 |
|---|---|---|---|
| OPT | 40／320 | 17／40 | 53 分 34 秒 |
| REPAIR | 40／320 | 15／40 | 74 分 4 秒，含纠错 |
| SCALE50 | 75／600 | 40／75 | 1 小时 30 分 55 秒 |
第二轮时的表现：共同 20 道种子，OPT 与 REPAIR 都答对 125 / 160；共同 30 道旧题分别为 182 / 240、178 / 240，暂未看到纠错组的优势。这些是第二轮学习前收集的答案，反映第一轮学习后的表现。
扩大组第二轮没有新增题：实际是 50 道种子 + 25 道复习题。老师分组漏了一条诊断，整份分组被拒，55 份有效单题诊断没有进入出题。已有 75 题照常学习保存，但这一轮没有完成预期扩题，也不能把少做题称为提速。
查看第二轮的纠错和学习情况
OPT、REPAIR 的 10 道新题中，分别有 4 道、3 道有对有错。两组仍有不少题八份全对或全错，当前主练不会直接从这些题得到成败差异。
REPAIR 第二轮提出 57 个纠错方案，41 个通过；去掉重复项后，用 65 条合格改正动作学习一次。书架和两道新画题没有修复成功。首轮红旗原题的 3 个老师方案都成功，但第二轮学生独立仍为 0 / 8，修复成功还没有转成独立能力。
SCALE50 的 50 道种子由首轮 271 / 400 变为第二轮 279 / 400。这是同一批训练题重做；三轮后的独立共同测试结果另行报告。
查看新增三组第二轮记录 ↓独立小对照：用原 WDT 首轮相同的 31 题、248 份答卷，比较总共学 1 次与 4 次。只追加 3 次学习，不重新做训练题；两份首轮模型另测相同 30 题。它单独报告，不作为第九个三轮实验组。
八个主要模型7208 × 30 题 × 3 份
独立小对照1802 × 30 题 × 3 份
全部测试回答900两个比较分别报告
2026-11-02 06:22:14 / 第三轮记录
12 / 12 次已保存原四组三轮模型均已保存。
以下第三轮答卷均在第三次学习之前收集，反映完成前两次学习后的表现。四组本轮模型都已保存。
WT 第三轮共 44 题、352 份回答，其中 19 题有对有错，15 题八份全对，10 题八份全错。
WT 同一批 40 道旧题，在第二轮学习前答对 196 / 320 份，第二轮学习后重做答对 194 / 320 份；这次少 2 份。
DT 第三轮共 44 题、352 份回答，其中 27 题有对有错，15 题八份全对，2 题八份全错；20 道种子答对 121 / 160 份。本轮模型已保存。
WDT 第三轮共 44 题、352 份回答，其中 19 题有对有错，19 题八份全对，6 题八份全错。新加入的四道题中，三道更难题各答对 0 / 8，一道更简单题答对 8 / 8。
R 第三轮共 44 题、352 份回答，其中 21 题有对有错，18 题八份全对，5 题八份全错；20 道种子答对 120 / 160 份，三轮种子作答依次为 121、120、120 / 160。
四组共同的 20 道种子上，WT、DT 各答对 121 / 160，WDT、R 各答对 120 / 160，当前表现接近。其余训练题不同，全批答对总数不能用于组间排名。
原四组完成 12 / 12 次整轮学习，累计使用 3,680 份答卷；扣除首轮共用的 480 份，实际作答 3,200 份。追加流程已完成十次新学习：OPT 第二、三轮各一次，REPAIR 三轮纠错各一次及第二、三轮主练各一次，SCALE50 三轮主练各一次。追加组共保存了 3,216 份新答卷。17:29 的记录合计 302 / 720 份测试答卷，其中 WT、DT 各缺 6 份待补测，WDT 已保存 44 份并继续测试；独立小对照最近的已核对记录为 16:37:20 的 0 / 180 份。
2026.11.02 02:35:53 / 第二轮
各 40 题 · 模型已保存第二轮已完成
同一道题的 8 份回答里既有对也有错，才会产生可比较的学习信号。下表表示实际参与学习的题量；最终效果要等八个主要模型做完同一套测试后比较。用时从收齐答卷算到模型保存，答题时间另计。
窄屏可左右滑动下表，查看全部数字。
| 组别 | 已存回答 | 产生学习信号的题 | 学习和保存用时 |
|---|---|---|---|
| WT | 320 / 320 | 19 / 40（47.5%） | 8 分 35 秒 |
| DT | 320 / 320 | 25 / 40（62.5%） | 11 分 14 秒 |
| WDT | 320 / 320 | 19 / 40（47.5%） | 7 分 06 秒 |
| R | 320 / 320 | 16 / 40（40.0%） | 5 分 53 秒 |
四组各用整轮收齐的 320 份回答学习一次，并保存了学习后的模型。第二轮作答和学习均没有因显存不足而重试。
前两轮用于学习的回答共 2,272 份，其中 480 份直接使用首轮已有的种子回答；实际生成并保留了 1,792 份。
WT、DT、WDT 分别有 45、46、40 道候选，其中合格新题分别为 14、15、9 道。统一后，三个老师组都保留 20 道种子、11 道旧题，再选入 9 道新题；R 使用同量的 40 道官方训练题。
首轮学习后的训练题重做：同一批训练题：首轮学习前，与第二轮出题准备时的重新作答；重做发生在第二轮学习开始前。
| 组别 | 20 道种子：学习前 → 重做 | 11 道旧题：学习前 → 重做 |
|---|---|---|
| WT | 121 / 160 → 122 / 160 | 43 / 88 → 50 / 88 |
| DT | 121 / 160 → 122 / 160 | 46 / 88 → 43 / 88 |
| WDT | 121 / 160 → 125 / 160 | 61 / 88 → 57 / 88 |
WT 合计由 164/248 变为 172/248，多答对 8 份；DT 由 167/248 变为 165/248，少答对 2 份；WDT 为 182/248 → 182/248，总数不变。三轮后的独立测试结果另行报告。
WT 第二轮得到 14 道合格拓展题，按共同题量选入 9 道。
DT 的 31 道已有题都完成了判断：1 道应出更难题、2 道应出更简单的题、28 道保留。517 已无合格的升难空间，老师四次完整回复都没有给出新题；15 道合格候选及实际选入的 9 道新题，全部是 477 的较简单练习。
WDT 第二轮对 31 道已有题都完成了难度判断，实际出题覆盖不完整。477 全错并被判为需要更简单的题，却被老师列为未分组，没有得到新增练习；480、517 都从 6/8 到 8/8，但现有规则已无合格的升难空间。第二轮选入 6 道拓展、3 道更简单练习。
DT、WDT 第二轮都没有选入更难的练习，因此还无法判断这部分练习是否有帮助。
各组新增的 9 道题中，WT 有 3 道、DT 有 5 道、WDT 有 3 道产生学习信号。WT 另有 5 道全部答错；WDT 有 6 道全部答对，其中 4 道是拓展题、2 道是更简单的题。新题的难度还没有完全匹配学生。
2026.11.01 / 四组首轮已完成
四组均已学习并保存四组各选入 31 道题
| 方法 | 合格新题 | 选入新题 | 原种子 | 首轮合计 |
|---|---|---|---|---|
| WT · Wide | 11 | 11 | 20 | 31 |
| DT · Deep | 16 | 11 | 20 | 31 |
| WDT · Wide＋Deep | 14 | 11 | 20 | 31 |
| R · 官方题对照 | 从官方题选取 | 11 | 20 | 31 |
WDT 的合格候选是 6 道 Wide 和 8 道 Deep，实际选入 6 道 Wide 和 5 道 Deep。各组按相同题量学习，选题时尚未使用新题的作答结果。
每组收齐 248 份答卷并完成一次学习。实际参与学习的题数为 WT 15 道、DT 16 道、WDT 14 道、R 13 道，四组模型均已保存。
启动前本地出题检查共新增 33 次老师请求，已结清 0.067784025 美元。再次核对时，33 次都沿用原答复，没有新增调用；当前运行费用另行汇总。
下载首轮记录 ↓ · 查看启动前出题检查 ↓WT / 首轮学习前的完整答卷
88 份新答案已收齐WT 首轮有 7 道新题参与学习
| 题目来源 | 题数 | 有对有错 | 八份全错 | 八份全对 | 答对份数 / 全部答卷 |
|---|---|---|---|---|---|
| 原种子 | 20 | 8 | 2 | 10 | 121 / 160 |
| WT 新题 | 11 | 7 | 3 | 1 | 43 / 88 |
| WT 首轮合计 | 31 | 15 | 5 | 11 | 164 / 248 |
新题中 7 道有对有错，与原种子的 8 道一起，共 15 道实际参与这次学习。表中记录学习前的表现，学习后的变化由后续作答和最后测试衡量。
三道全错新题都要求制作画作；五道红旗新题都有对有错。从 WT 首轮作答阶段启动到 22:25:06 收齐答卷，约 13 分 47 秒，其中包含模型准备。随后整轮学习并保存用了约 8 分钟，新模型约 390 MB。WT 首轮已完成。
01 / EXPERIMENT SETTINGS
原四组题量预览。
原 WT、DT、WDT、R 实际三轮为 31 / 40 / 44 题。下面仅预览原四组的 40 / 60 / 60 上限，加 N 的测试共 450 份；不包括新增三组和独立小对照。
按上限估算
PER TRAINING GROUP160累计题次 / 每组
40 + 2 × 60 = 160
每个训练组的完整作答最多 1,280 份
四个训练组，合计训练材料最多 5,120 份
共用首轮种子后，实际采样最多 4,640 份
加原五模型的 450 份测试最多 5,090 份
重复出现在不同轮次的题，分别计入题次。按已确定的题量，原四组已生成 3,200 份训练回答；再加原五模型计划的 450 份测试，原范围共需 3,650 份。以上控件展示原上限。
20 道种子 最多 20 道新题
首轮没有本实验此前入训过的历史题。
纵向调难
Teacher 归因聚类，按类成批生成 Deep 题。保留每道题的长期记录，安排调难与复习。
检验难度调整与逐题追踪
同轮结合两者
每类同时安排 Wide 与 Deep 候选。按两种方向交错选题，记录最终实际录用的两类题量。
检验两种练习怎样共同起作用
官方题对照
从官方训练集安排相同数量的练习，匹配三个 teacher 组每轮最终对齐的题数与学习次数。
同题量、同起点、同样的学习方式
N / 未训练参考：在本次相同条件下重新测试 90 份作答。旧基准使用的提示和随机作答安排已经变化，旧成绩保留在历史材料中。
初始模型、题目、提示和随机设置完全相同时，四个训练组共用首轮 160 份种子答卷，减少 480 份重复采样。首轮新增题与学习后的模型各自保留。老师模型、完整输入、随机种子和输出限制都相同时，首轮相同证据的诊断也共用。由此减少的老师等待尚未从用时预算扣除。
02 / EXTENDED LEARNING LOOP新课程怎样继续，
新课程怎样继续，
纠错放在哪里。
OPT、REPAIR、SCALE50 三轮均已学习保存。各组按自身模型表现安排练习，以下保留本轮采用的流程。
- 01
种子与复查题，先各做 1 份
首份先送给老师诊断，老师分析时补齐其余 7 份。首份直接计入本轮八份回答，所有主练材料收齐前不改变模型。
20 种子两组沿用原种子；SCALE50 固定使用 50 种子。 - 02
八份补齐后，把漏掉的失败补进诊断
首份偶然答对、后七份出现错误的题也纳入。老师结合完整失败证据、同能力题和已做过的简单练习重新整理练习重点。
使用本轮已有回答，不另做一批摸底题。 - 03
同轮安排 Wide 与 Deep
Wide 从真实失败扩展同能力新目标，优先选择有对有错的来源。Deep 全错时降难，全对时先回考同能力未解决题，再考虑升难；简单题出现成功后优先回原题，退步题优先复查。
较简单的题成功，不把原难题记为成功；无合格升难空间时让出名额。 - 04
验题合格、题量足够，就停止继续出题
保留原配方、材料条件、24 步内可完成、能力不可绕开以及变化方向的要求。OPT、REPAIR 按 31 / 40 / 44 题接续；SCALE50 每轮最多 100 题、最多复查 25 道。
同规则同题量不等于题单相同；各组依自身模型结果独立选题。 - 05
全部题各收齐八份，整轮主练一次
新题、种子和复查题的全部答卷统一学习。OPT、REPAIR 的第一轮直接复用原 WDT 已完成的主练；后两轮各自需要 672 份新回答。
有对有错的题提供主练中的成败比较。 - 06
只有 REPAIR，再把成功经验带回原失败
主练后查看完整失败经过，参考同能力成功，在原题条件下尝试改正。原目标真正完成后，筛出有用且实际执行的改正动作，整轮收齐后最多再学一次；没有合格动作就跳过。
不学习反思文字，也不改写原八份答卷的成绩。 - 07
留下逐题经历，再进入下一轮
保存各题历次成败、较难与较易题的关系、回考安排和本轮模型。完成三轮后，八个主要模型使用相同的固定 30 题测试。
独立小对照使用两份首轮模型，另外报告结果。
ORIGINAL FOUR GROUPS / 题量示例
假设场景 · 非运行结果原四组怎样按共同题量比较？
仅演示原四组第 1 轮上限 40 题；不包括追加三组。
可用新题最少的是 DT：12 道。此示例四组各练 32 题
20 种子 + 0 历史 + 12 新题 = 32；R 使用同样数量的官方题。
03 / FROM CAUSES TO BATCHES共同原因，
共同原因，
对应一批有目的的练习。
下面展示归因与候选的组织方式，类别和任务均为格式示例。原实验实际选题与答题结果见上方各轮记录。
正在载入展示结构…
示例以完整 WDT 方法为例。原 WT 只取 Wide，DT 只取 Deep，原四组按共同可用数量取题。新增 OPT、REPAIR 使用约定的相同题量；SCALE50 的独立上限为每轮 100 题。
04 / KEEP EACH TASK IN VIEW每一道 Deep 题，
每一道 Deep 题，
都有自己的长期记录。
除了看一类问题的总体变化，也保留每道题从哪里来、何时练过、每轮八份表现、难度如何变化，以及是否需要回来复习。
EXAMPLE TASK RECORD
未运行一道人为示例 Deep 题
来源类别 待归因相关父题 待记录升难／降难关系 待验题
| 轮次 | 本轮安排 | 8 份作答 | 下次安排 |
|---|---|---|---|
| 第 1 轮 | 待安排 | — 未运行 | 待记录 |
这里展示记录结构。实际运行后，填入各轮观察；复习名额仍受本轮上限约束。
05 / THE SAME FINAL TEST
最后，共同完成固定 30 题。
N、WT、DT、WDT、R、OPT、REPAIR、SCALE50 共八个主要模型，合计 720 份回答。独立小对照的两份首轮模型另做 180 份，分别比较。
共同固定测试
按制作深度四档选入 10 / 11 / 8 / 1 题，不根据模型成绩挑题。
相同作答安排
每题 2 份随机作答、1 份确定作答，每个模型共 90 份。
独立测试
基础模型已测完；WT、DT 各 84 / 90，待补测；WDT 44 / 90，继续测试。查看两种作答方式的成绩与进度 →
KEEP THE CONTEXT
新方案与旧记录，各有出处。
旧页面保留 10 月 31 日的方案、真实历史答卷和提示词。它们继续作为历史材料保存。