标签：可验证奖励

Adobe & UCLA 的 TEV 用"隐世界优先"合成方法构建了首个带密集进度奖励的长时程 Agent 训练集 TEV-GYM（1170 个环境、7 个领域），并用进度势能奖励塑形（PPRS）把 GRPO 在稀疏奖励下大面积"饿死"的问题修好了；27B 模型在 ALE-CM 上追平 GPT-6 Astra 和 Claude Opus 5 的 Pass@5。

北大团队对 On-Policy Self-Distillation 做了一次系统性"体检"：所谓特权信息带来的收益，主要来自前缀分布匹配而非语义；OPSD 是一个敏感算法，不是可靠的通用后训练方法。