这项由华东师范大学与上海创新研究院联合发起的华东前沿研究，已于2026年6月22日以预印本形式发布（论文编号：arXiv:2606.23104）。师范该研究揭示了一种颠覆传统认知的为什误示AI训练范式，旨在通过优化“错误样本”的让A让变利用效率，显著提升大语言模型（LLM）的门学逻辑推理性能。

核心洞察：反直觉的习错“错题效应”

传统教育直觉认为，学习应侧重于模仿正确答案。范反然而，得更华东师大团队发现，聪明对于当前主流大型语言模型（如ChatGPT、华东DeepSeek等），师范从自身犯错的为什误示轨迹中学习，其效果显著优于仅学习正确示范。让A让变

基于此发现，门学团队开发了名为 ReNIO（Reweighting Negative trajectory Importance for LLM On-policy distillation，习错即“针对LLM在线蒸馏的负轨迹重要性重加权”）的新方法。简而言之，ReNIO能够在AI自我训练过程中，自动识别并赋予那些“推理走偏”的路径更高的关注权重，从而迫使模型深入反思错误根源。

一、 背景：AI推理训练的两种主流范式

要理解ReNIO的价值，需先厘清当前AI提升推理能力的两种主要训练机制：

1. 强化学习（Reinforcement Learning, RL）
2. 机制：“结果导向”考核。AI完成整道题后，根据最终答案对错给予奖励或惩罚。

3. 局限：反馈滞后。对于长链条推理任务，AI需生成数千字才能得知结果，耗时耗力，且难以定位中间步骤的具体错误。

4. 在线蒸馏（On-Policy Distillation, OPD）

5. 机制：“过程导向”模仿。由一个强大的“教师模型”指导“学生模型”。学生每走一步，教师即提供建议，学生据此调整策略。
6. 优势：
7. 实时纠偏：无需等待最终答案，每一步均可获得反馈。
8. 短前缀训练：仅需推理前半段即可有效训练，大幅降低计算成本。
9. 变体：在线自蒸馏（OPSD）：无需独立教师模型，直接使用模型初始状态作为“老师”，实现“自己教自己”，进一步降低成本。

二、 关键发现：错题本的价值远超正确示范

研究团队设计了对照实验，使用 Qwen3-1.7B模型分别进行两种训练：
* 组A：仅使用模型做对的题目训练。
* 组B：仅使用模型做错的题目训练。

实验结果令人震惊：
在数学竞赛题库（AIME24/25, HMMT25）上，仅使用错误示例训练的模型，表现优于仅使用正确示例训练的模型：
* OPD模式下，错误组平均表现高出 2.59%。
* OPSD模式下，错误组平均表现高出 2.50%。

深度归因分析：
研究团队通过监测“平均回答长度”和“反思性词语”（如“等一下”、“但是”、“再检查”）的使用频率，发现：
* 正确示例训练：模型倾向于学习“流畅但缺乏探索”的路径，变得过度自信，不愿质疑中间步骤。
* 错误示例训练：模型学会了“在岔路口反思”，推理过程更长，包含更多自我怀疑和纠错机制。这种谨慎、探索式的推理风格，正是解决复杂数学难题的关键。

三、 技术难题：如何低成本识别“高价值错误”？

若需等待最终答案才能判断对错，将丧失在线蒸馏“短前缀训练”的成本优势。团队提出了一种无需最终答案的实时检测机制：

核心信号：学生-教师概率比（Student-Teacher Probability Ratio）

• 原理：在推理的每一步，对比学生模型与教师模型对“下一个词”的概率预测。
• 异常检测：当学生以高概率选择一个教师认为极低概率的词时（例如：学生选“13”概率78%，教师认为仅13%），即产生巨大的概率差异。
• 意义：这一差异是推理路径发生“关键偏离”的预警信号，且可在推理进行中实时计算，无需等待结局。

四、 ReNIO算法：三步构建高效训练闭环

ReNIO通过以下三个步骤，将上述信号转化为训练权重：

1. 计算“学生-教师对数比”

对推理过程中的每个词，计算 $\log(\frac{P_{student}}{P_{teacher}})$。该值越大，表示学生在此处“自信地偏离”了教师的判断。

2. 筛选关键偏离节点

• 下限筛选：设定阈值（实验最优为0.8），仅保留偏离显著的关键节点，过滤掉无关紧要的步骤。
• 上限裁剪：设定上限（实验最优为3.0），防止极端值导致训练不稳定。

3. 生成样本权重

将所有关键节点的对数比取几何平均（取指数），生成该推理路径的样本权重。
* 权重越高：代表该路径包含更多“有价值的错误”，应在训练中分配更多注意力。
* 归一化处理：在批次内对权重进行归一化（均值为1），确保整体训练强度稳定，仅调整相对重要性。

五、 实证验证：性能大幅提升

研究团队在多个模型和任务上验证了ReNIO的有效性：

稳定性优势：
对于R1-Distill-Qwen-1.5B，标准OPSD甚至略逊于基线，但加入ReNIO后不仅超越基线，还显著提升了训练稳定性，证明ReNIO能有效抑制训练信号中的噪声。

六、 效率革命：短前缀训练的极致优化

ReNIO完美契合在线蒸馏的“短前缀”特性：

• 精度对比：
• 1024词前缀（短）：得分 42.78
• 4096词前缀（长）：得分 40.56

• 结论：短前缀配合ReNIO效果更佳，且无需最终答案。

• 速度对比：

• ReNIO (1024词前缀)：每步约 4.6 - 5.0秒
• 强化学习 (GRPO)：每步约 29.9秒
• 结论：ReNIO的训练速度是强化学习的近 6倍，且成本极低。

七、 机制解析：为何ReNIO能选出“好错误”？

研究团队通过“教师信息熵”分析发现，ReNIO并非盲目强调所有错误，而是具有选择性：

1. 高权重路径：教师模型的信息熵较低（判断确定）。说明学生犯了清晰可见的错误，而教师对正确答案有明确认知。这是最理想的纠错场景。
2. 低权重路径：教师模型的信息熵较高（判断模糊）。说明推理混乱至教师也无法判断，此类“无效错误”被ReNIO自动降权。

八、 消融实验：关键设计缺一不可

团队通过移除关键组件验证了ReNIO各部分的必要性：

• 移除上限裁剪：得分降至40.09。极端值导致训练不稳定（如“烤糊蛋糕”）。
• 移除关键节点筛选：得分降至40.83。大量无关步骤稀释了关键信号（如“稀释咖啡”）。
• 移除批次归一化：得分骤降至39.54。梯度幅度剧烈波动，导致训练混乱。
• 替代方案对比：
• 词级加权 vs 样本级加权：样本级加权效果更优。
• 反向比率（教师-学生）：效果不如正向比率（学生-教师），证实强调“学生自信偏离”的设计正确。

九、 案例演示：自我纠错的力量

题目：求解满足特定方程的非负整数三元组个数（正确答案：601）。

• GRPO（强化学习）：发现一类解（201种），遗漏其他对称解，答案：201（错误）。
• OPD（普通在线蒸馏）：发现三类对称解（3×201=603），未去重，答案：603（错误）。
• OPD+ReNIO：在推理中途触发自我质疑：“等等，(100,100,100)被重复计算了，需减去2次”，最终得出正确答案：601。

此案例生动展示了ReNIO如何促使模型在推理中途进行自我检验与纠错。

结语与启示

这项研究证明，错误示例在AI推理训练中具有独特的教育价值。ReNIO通过自动化识别和重加权“高价值错误”，在不增加计算负担的前提下，显著提升了模型的推理能力与稳定性。

局限性与展望：
目前验证主要在小规模模型上进行，未来需在大参数模型中进一步验证其泛化能力。

对人类学习的启示：
正如AI一样，人类的学习效率也往往取决于对错误的深度反思，而非对已知内容的重复温习。分析失误、识别认知偏差，是提升能力的关键路径。

延伸阅读：感兴趣的技术细节请参阅 arXiv 预印本编号 2606.23104。

Q&A

Q1：ReNIO是什么，与普通AI训练有何不同？
A：ReNIO是一种用于在线蒸馏的权重分配方法。普通方法对所有样本一视同仁，而ReNIO通过计算学生与教师在每一步的概率差异，自动识别“学生走错路”的轨迹，并赋予更高权重，使AI能从错误中更高效地学习。

Q2：为何强调错误样本能提升数学推理能力？
A：仅学习正确路径易导致模型过度自信且缺乏自我检验。学习错误路径能促使模型发展出更谨慎、更具探索性的推理风格（如更多使用反思性词语），这在解决复杂问题时优势明显（实验提升超2.5%）。

Q3：ReNIO是否需要AI完成整道题才能计算权重？
A：不需要。ReNIO仅依赖推理过程中的“学生-教师概率比”，无需最终答案。这使其完美兼容“短前缀训练”，训练速度比强化学习快约6倍，同时保持甚至超越完整推理的效果。