RSHD：通过回放筛选后视蒸馏从失败尝试中恢复监督信号

研究者提出回放筛选后视蒸馏（RSHD），在 GRPO 训练中将失败尝试转化为经过验证的新监督来源，解决全部 rollout 失败时无法提供有效学习信号的问题。策略在不看参考答案的情况下为失败生成纠错笔记并在上下文中重新解题，仅当回放成功率更高时才将成功回放蒸馏回无提示词的基础策略。该方法在部署时无需额外笔记或推理开销，跨模型和训练领域一致优于 GRPO。