无奖励筛选

R2S流程分三步：1）从未训练的学生模型出发挖掘与教师分歧最大的状态；2）从这些状态运行教师接管，并用无奖励检查（共识或LLM评判）筛选接管片段；3）用筛选后的接管数据微调教师评分器，冻结后作为标准OPD的唯一评分器。

无奖励筛选采用共识机制（多次采样接管，保留结果一致的片段）或LLM评判（由大模型判断接管是否合理）来过滤低质量轨迹，整个过程不依赖任务成功信号。