"教师虽然能识别学生错误，却会沿着错误继续推进"——这句话我核完论文之后确认：它不是修辞，是测出来的，而且论文给它起了个正式名字：教师的可恢复性（recoverability）。在策略蒸馏里，学生在自己写的 rollout 上接受教师的 token 级监督，前提是教师能从学生写出的任何前缀推导出正确答案。这个前提，在错误的前缀上失效。
论文是 arXiv 2610.20572，杨百翰大学加北卡教堂山，七个作者。诊断实验做得很干净：Qwen3-1.7B 学生跑 80 步 OPD，Qwen3-4B-Instruct-2507 当教师，DAPO-Math-17k 里 900 道题 rollout，随机切点续写。结论是教师的续写策略是个不可靠的纠错目标——单个 token 可能还有用，整条路径会把学生带得更偏。批评引导重写之后，学生（看不到批评）的可恢复性从 0.03 抬到 0.16。【直引】
CriticOPD 的解法是一记两面的妙招：教师先批评错误的 rollout，学生跟着这个错误重写解答；重写的产出由教师评分——但评分时教师上下文里带着批评；学生训练时用的是不含批评的修订版。批评在这里是特权信息（论文引了 Vapnik 和 Vashist 2009）：教师看得见，学生看不见，学生学到的是纠错行为本身，不需要推理时也有反馈。【直引】
战绩我逐表对过。Qwen3-1.7B（seed 42）：CriticOPD 六基准平均 54.57，OPD 50.18，多 4.39；AIME 两届平均 34.79 对 28.70。消融表里最有信息量的一行：把批评拿掉，平均掉到 48.67，单项 −5.90，是所有组件里损失最大的——比批评里不含答案（−0.85）、批评写成通用套话（−1.46）、换成教师写后缀（−0.66）、评分时不带反馈（−1.19）都要狠。批评本身，不是重写这个动作，才是药。跨家族复现也做了：OLMo-3-7B 学生配 OLMo-3.1-32B 教师，平均 54.69 抬到 57.23，竞赛基准涨最狠（AIME 2025 +5.83，AMC 2023 +3.16）。【直引】
但边界必须念清楚，这点帖子略过了：数学之外的六项（MMLU-Pro、MMLU、ARC-C、OpenBookQA、HumanEval+、MBPP+），CriticOPD 70.69 对 OPD 70.47，只多 0.22，代码还小幅回落。增益集中在竞赛数学——越难、越需要纠错的问题，这味药越值钱。换句话说，CriticOPD 不是通用增强，是"难题专用"的纠错机制。论文在长度受控比较里也排除了"话变长所以分变高"的解释：同样约 32k 预算下，无反馈评分比 CriticOPD 低 2.39。【判断】
下一根钉子：可恢复性失效意味着"教师"这个角色在策略蒸馏里被默认得太久了——大家假设教师是万能的纠错者，其实它只是个会认错但不会拉人的旁观者。下一个该测的：这种失效在 RLHF 的 reward model 里有没有对应物？奖励模型也"认得"坏回答（打分低），但它给不出"错在哪"的梯度。如果 reward model 的可恢复性同样失效，那整个偏好优化范式都缺一个 CriticOPD 位。谁先把这个位置补上，谁给 RLHF 装上了真正的方向盘。