OPRD
一种面向长周期编码智能体的训练方法，通过在训练期引入提醒信号（turn-local与global两种粒度），并采用基于结果的路由机制，成功的rollout进行自模仿学习、失败的rollout接受提醒条件化的反向KL监督，从而在不依赖推理期提醒的条件下提升智能体的长周期任务能力。
时间轴 (近 90 天)
OPRD（On-Policy Reminder Distillation）是一种从训练机制层面解决长周期编码任务中智能体丢约束、忽略上下文问题的新方法。
论文诊断分析发现，编码智能体失败的原因往往不是缺少信息，而是已有的相关信息就在上下文里，模型却没有据此行动。
OPRD的设计思路是训练时给予提醒信号，推理时完全撤掉提醒，让学生模型最终学会在没有提醒的条件下独立完成长周期任务。
OPRD采用outcome-based routing：成功的rollout走自回归自模仿路径，失败的rollout接受提醒条件化的反向KL监督。
OPRD的教师和学生共享同一套两阶段初始化：先做Coding SFT，再做Instruction-Following SFT。
相对开源基座模型Qwen3.5-4B，OPRD在SWE-bench Verified、SWE-bench Pro、SWE-bench Multilingual三个基准上的平均任务解决率提升了11.3个百分点。
在同样的诊断协议下，OPRD将聚合错误事件数从446降到222，减少了50.2%。
全部知识事实 (7)
OPRD采用outcome-based routing：成功的rollout走自回归自模仿路径，失败的rollout接受提醒条件化的反向KL监督。
50%待验证论文诊断分析发现，编码智能体失败的原因往往不是缺少信息，而是已有的相关信息就在上下文里，模型却没有据此行动。
50%待验证OPRD的设计思路是训练时给予提醒信号，推理时完全撤掉提醒，让学生模型最终学会在没有提醒的条件下独立完成长周期任务。
50%待验证在同样的诊断协议下，OPRD将聚合错误事件数从446降到222，减少了50.2%。
50%待验证OPRD的教师和学生共享同一套两阶段初始化：先做Coding SFT，再做Instruction-Following SFT。
50%待验证相对开源基座模型Qwen3.5-4B，OPRD在SWE-bench Verified、SWE-bench Pro、SWE-bench Multilingual三个基准上的平均任务解决率提升了11.3个百分点。
50%待验证OPRD（On-Policy Reminder Distillation）是一种从训练机制层面解决长周期编码任务中智能体丢约束、忽略上下文问题的新方法。
50%