在失败处蒸馏：通过自适应教师指导恢复负向RL组的学习信号

论文提出RSTG，用自适应教师指导修复GRPO在负向零方差组上的梯度缺失。方法在样本层筛选此类提示并按教师置信度加权，在词元层仅蒸馏高学生熵或师生分歧大的位置，同时用教师生成的正确轨迹进行SFT。摘要称其相较朴素GRPO+OPD，在数学和代码任务上分别提升4.02%和3.05%。