这篇文章最值得注意的地方，不是它又给后训练加了一个新缩写，而是它指出了一个正在变清晰的趋势：

后训练的主线，可能正在从“用一个奖励函数把模型直接 RL 到更强”，转向“先训练多个能力专家，再用 on-policy distillation 把这些能力合并回一个主模型”。

如果说 SFT 是教模型模仿答案，DPO/RL 是教模型偏向更好的行为，那么 Multi-Teacher On-Policy Distillation 更像是在回答另一个问题：

当我们已经用不同数据、不同奖励、不同阶段训练出了多个强 teacher，怎样把它们稳定地压回一个 student，而不是靠简单模型融合或离线蒸馏丢掉能力？

这篇论文讨论的不是“把同一个问题重试更多次”这么简单，而是如何把一次长程编程尝试压缩成可比较、可复用的经验，再用经验指导下一轮搜索。

30 秒结论： 并行探索负责发现不同路径，结构化复盘负责去噪，递归锦标赛投票（RTV）负责选择和聚合，并行蒸馏提炼（PDR）负责把经验带入下一轮。论文在特定模型、基准和预算下观察到成功率提高、完成轨迹变短；这不等于增加测试时计算在所有任务上都更有效，也不等于推理成本自动下降。

本文信息截止到 2026-09-15。文中的数值沿用论文实验设置，不能直接外推到其他模型、提示词、并行度或部署硬件。

这篇调研聚焦 coding agent 训练里最关键的一环：高质量、可验证、可复现的数据合成。如果把近两年的公开工作压缩成一句话，更准确的说法是：越来越多系统以真实软件工程活动为种子，再做环境构建、轨迹生成和自动验证，而不是只生成孤立的合成题。

对于 Qwen 这类模型，这条路径提供了更接近真实仓库的训练信号。但能否迁移到定位问题、搭环境、写补丁和通过测试，仍要在未见仓库、固定环境和明确测试版本下单独验证，不能只从一个 benchmark 分数推断。

约瑟夫·亨里奇在《The Secret of Our Success》中揭示了一个深刻的道理：人类之所以超越其他生物，“统治”了地球，并非因为我们拥有更强大的个体智力，而是因为我们累积文化的能力，每一代人都站在前人肩膀上，将经验传递下去。然而，作为人工智能专业的学生，亨里奇所赞美的文化进化，如今却让我感到一种“解构后的虚无”：快递员运送包裹，是因为金钱驱动；代码运行，是因为晶体管开关 0 与 1；而我自己，这个碳基生物体，似乎也只是社会这台巨大机器中一个可替换的零件。

上一版写得太像说明书，这版按真实使用感重写一下。

重点推荐

1. 娇兰 土耳其玫瑰（Guerlain Rose Barbare） 这是我心里“成熟玫瑰”的样子，不是少女糖水玫瑰。刚上皮会有一点辛感和厚度，后面慢慢变成带蜂蜜感的深红玫瑰，比较适合夜晚和安静场合。 香评摘录（整理自用户评论）：

• 有人把它形容成“玫瑰蜂蜜茶”，甜润但不齁。
• 也有人觉得粉感偏重，像高档洗护或化妆品气息，评价两极。
• 关于留香和扩散，反馈差异很大，和皮肤状态关系明显。 香评链接：香水时代 - 娇兰 艺术沙龙 土耳其玫瑰

2. Hermes 尼罗河花园（Hermes Un Jardin Sur Le Nil） 这支我会在通勤和春夏白天用。开场就是青绿感，像青芒果皮和柚子那种带点微苦的清爽，不甜不闷，闻着很“有风”。 香评摘录（整理自用户评论）：

• 高频关键词是“青芒果、柚子皮、莲花”，清新里带一点冷感。
• 不少人把它当夏天的安全牌，复购率很高。
• 也有评论提到后段会变柔，像水边植物的湿润木质感。 香评链接：香水时代 - 爱马仕 尼罗河花园

3. Tom Ford 白麝香（White Suede / 暗麝心魄） 这个系列里我最喜欢的是它的“贴肤高级感”：不像传统皮革那么硬，更像白衬衫和麂皮手套贴在皮肤上的温柔质地，干净但不寡淡。 香评摘录（整理自用户评论）：

• 主流反馈是“皂感麝香 + 柔软皮革”，像干净体香放大版。
• 有人觉得它很治愈，像晒过太阳的织物和皮肤温度。
• 争议点也明显：少数评论会闻到偏工业、偏塑料的皮革感。 香评链接：香水时代 - 汤姆福特 暗麝心魄（White Suede）

这三支放一起刚好是一个完整梯队：有存在感的玫瑰、清爽通勤、贴肤白麝香。按场景换着用，基本够覆盖大部分日常了。