H^2SD：混合式回顾自蒸馏，用成功与失败轨迹提供不同训练信号

H^2SD 面向带可验证奖励的强化学习，将同一模型在特权信息下构造的教师策略按轨迹成败区别使用：成功轨迹仅调节更新幅度，失败轨迹则借助包含关键步骤和答案的提示，通过反向 KL 提供纠正方向。论文摘要称其在多个推理基准上优于 RLVR、OPSD 和 RLSD，并保持较稳定优化与较高生成效率，但未给出具体实验数字。