让模型自己告诉你它改变了主意的地方

你有没有想过，做数学题改到一半发现算错了，你是从头重来，还是回到出错的那一步接着改？

大部分人会选后者。可现在训练AI做题的主流方法，恰恰是选前者，而且是反复地、大批量地选前者。

这就是这篇论文想要解决的问题。

**当AI训练变成"复读机"式抽卡**

现在训练大语言模型做数学题、写代码、玩交互式任务，用的是一种叫强化学习的方法。

> 强化学习（RLVR）：全称是"可验证奖励的强化学习"，简单说就是让AI对同一个问题生成好几种不同的答案，然后用一个能自动判断对错的裁判（比如运行代码看能不能通过测试）给每个答案打分，AI从这些分数的对比中学习哪种答案更好。

具体是怎么打分对比的呢，用的是一种叫GRPO的方法。

> GRPO（组相对策略优化）：AI针对同一道题，独立生成一组完整答案（比如16个），然后看每个答案的得分比这组答案的平均分高还是低，高的就多鼓励，低的就少鼓励。

问题就出在"独立生成"这四个字上。

16个答案，是AI从头到尾、互相之间毫无关联地写出来的。就像你让16个学生分别独立做同一道题，而不是让一个学生做完之后，回头看看哪一步可能出错了，再针对那一步单独重做几遍。

这种做法有两个明显的浪费。

第一,生成成本高。一道数学题如果要写很长的推理过程,16遍就是16倍的计算量,这个成本会随着任务变复杂而急剧上升,尤其是需要多轮交互的智能体任务。

第二,探索没有重点。已经有研究发现，一段推理里，真正对学习有帮助的往往只是一小部分关键的"决策点"，剩下的大部分文字其实是水词。斯坦福团队的一篇论文甚至证明，只对熵最高的20%的词做梯度更新，效果不比全文更新差。

这说明什么？说明大量的算力被浪费在了那些"怎么写都差不多"的地方，而真正关键的转折点，反而没有被重点照顾。

那能不能换个思路：与其让AI把16遍答案都从头写到尾，不如先写一两遍完整的，看看哪里写得有问题，然后从那个位置往后，重新写几种不同的续法？

这正是论文提出的核心方法：HDL。

**HDL：让模型自己找出"它改变主意的地方"**

HDL的全称是"事后分歧定位"（Hindsight-Divergence Localization），这个名字听起来有点绕，但拆开看其实很直白。

> 事后（Hindsight）：指的是"知道结果之后"。就像你考完试拿到卷子，看着自己写错的地方，突然明白"我当时不该这么想"，这种回头看的状态就是事后视角。

>

> 分歧（Divergence）：这里指AI在"知道结果前"和"知道结果后"，对同一段文字的判断出现了差异。

整个流程可以拆成四步，我们用论文里那个经典的例子来讲。

题目是：读入若干个整数，判断有多少个是质数。AI写了一段判断质数的代码，但是漏掉了一个关键的边界条件，也就是没有排除数字1，导致把1也误判成了质数。

第一步，先让AI完整写一遍答案，这个完整答案叫"根轨迹"（root）。跑一遍测试，发现10个用例只过了7个，得分0.7。

第二步，把测试失败的具体信息（比如"输入3个数1、2、3，期望输出2，实际输出3"）反馈给AI，让AI写一段反思，解释自己这次为什么错了。AI这时候可能会说："循环直接从判断整除开始了，对于数字1，循环体压根没执行，函数直接返回真，说明少了一个小于2就排除的判断"。

第三步，也是最关键的一步：把这段反思和错误反馈，拼接成一个"事后语境"，再让AI重新过一遍它自己刚才写的那段代码，注意，是同一段代码，同一个模型，只是这次是在知道了错误原因的情况下重新"读"一遍。这时候AI对每个字（词元）的自信程度会发生变化。

比如原来AI写"for"这个词的时候，可能觉得"接下来就该直接进循环了"，自信程度很高。但现在带着"哦我漏了判断1"这个认知回头看，AI对"for"这个位置的自信程度就会明显下降，因为它现在知道，这里其实应该先加一个判断。

论文用一个很简单的公式衡量这种自信程度的变化：拿"事后语境下这个词的对数概率"减去"原始语境下这个词的对数概率"，取绝对值。这个数值越大，说明AI在知道结果后，对这个位置的判断变化越剧烈。

在这个例子里，"for"这个词的分数高达4.98，远远超过其他位置（大多在0.01到0.3之间）。这个位置，就是AI"改变主意"最剧烈的地方。

第四步，锁定这个位置后，保留前面写的所有内容不变（也就是函数定义那部分），只从"for"这个词开始，让AI重新生成几种不同的续写。有的续写加了"如果x小于2就返回假"，有的加了"如果x小于等于1就返回假"，这些新续写的得分都从0.7提升到了1.0。

这套流程的巧妙之处在于，AI并不需要被明确告诉"你在第几行出错了"，它是通过对比自己"知道结果前后"的判断差异，自己把错误的位置找出来的。这就像一个学生，你不用直接告诉他"第三步算错了"，你只要告诉他最终答案不对，让他自己重新审一遍自己的解题过程，他往往能自己定位到那个让他心里"咯噔"一下的地方。

如果不这样做会怎样？

如果只靠AI自己一次性写完再打分，那16份答案就是16次独立的赌博，赌中了算运气好，赌不中还是不知道错在哪。而现在，AI相当于先写一份草稿，然后拿着"批改结果"回头精读自己的草稿，把那些读起来让自己心虚的地方标记出来，再针对这些地方反复练习。同样是16份答案的预算，后者显然更有的放矢。

**省下来的钱花在了刀刃上**

光有巧妙的想法还不够，得看实际效果。

论文在数学、代码、智能体三个领域，用了三个不同规模的模型（Qwen3-4B、Qwen3-8B、Llama3.1-8B）做了实验，对比的是标准的GRPO方法，以及另一种叫DAPO的改进方法。

> DAPO：一种优化GRPO的方法，如果一组16个答案得分完全一样（比如全对或全错，没有区分度），就把这组扔掉，重新采样，直到凑够有区分度的答案组。

HDL的具体设置是这样的：每道题先生成2份完整的"根轨迹"，然后针对每份根轨迹，选出分歧分数最高的2个位置，分别派3个和4个续写去探索。算下来正好是2×(1+3+4)=16份，和GRPO的16份保持一致，公平对比。

先看生成成本。

在数学任务上，HDL相比GRPO最多能省下超过一半的生成词数,比如Qwen3-8B模型上，GRPO每一步训练要生成2728万个词，HDL只需要1059万个，直接省了61%。放到真实的墙钟时间上，HDL比GRPO最多快1.83倍，比费时费力反复重采样的DAPO最多快3.18倍。

这笔账不难理解：省下来的时间，本质上就是省去了"从头把已经写对的那部分内容再写一遍"的功夫。前面提到的做题类比在这里同样适用，如果一个学生每次订正错题都要把整张卷子重新抄一遍再改，那和只订正错的那一道题相比，效率差距是巨大的。HDL做的事情就是"只重新做错的那一小段"。

再看效果好不好。

省钱的同时效果有没有打折扣？答案是没有，甚至更好。

| 任务 | 模型 | GRPO | DAPO | HDL |

|---|---|---|---|---|

| 数学 | Qwen3-8B | 53.17% | 53.47% | **54.16%** |

| 代码 | Qwen3-8B | 55.42% | 54.88% | **55.56%** |

| 智能体 | Qwen3-8B | 59.50% | 60.80% | **71.96%** |

最惊人的差距出现在智能体任务上。研究用的测试环境叫ScienceWorld。

> ScienceWorld：一个模拟小学科学实验的文字交互环境，AI要扮演一个学生，通过一步步的自然语言指令（比如"把某某物体连接到某某位置"）在虚拟房间里完成科学任务，最多可以走30步。

在这个任务上，HDL比GRPO整整高出12.46个百分点，比DAPO也高出11.16个百分点。这个差距意味着什么？

意味着每完成8个任务，用HDL训练出来的AI就能比用GRPO训练的多做对一个。

为什么智能体任务上差距这么大？论文给出的解释很有意思：在这种需要连续多步操作的任务里，前面一步走错（比如走错了房间、拿错了工具），后面几乎是无法挽回的，整段轨迹就废了。如果用GRPO独立采样16遍，很可能这16遍里大部分都是在同一个坑里反复摔倒，得到的16个分数几乎没有区分度，AI学不到什么有用的东西。而HDL能精准定位到"是哪一步走错的"，然后专门针对那一步生成多个不同的续写，这样16份答案里就会同时出现"摔倒"和"没摔倒"的版本，对比出来的学习信号自然更清晰。

这就好比你想学开车倒库，教练不会让你每次都从头把车开出停车场再重新倒一次，他会让你定在快要压线的那个瞬间，反复练习"这一下该往哪打方向盘"，这样你进步得快得多。

**跟别的定位方法比，HDL赢在哪**

论文没有止步于跟GRPO和DAPO比，还专门做了一组对照实验，看看"用事后反思来定位分歧点"这个思路，是不是真的比其他定位思路更聪明。

对照的第一种方法叫Entropy（熵定位法），这是此前TreeRL和BPO两篇论文用的思路。

> 熵：这里指AI在某个位置下一个字有多"纠结"，如果候选词很多且概率都差不多，熵就高，说明AI在这里犹豫不决；如果AI几乎认定了唯一答案，熵就低。

这种方法完全不看结果对错，只看AI写的时候有多犹豫，犹豫的地方就多分配续写资源。

对照的第二种方法叫Reflection（直接反思法），来自PivoARL和R3L这两篇论文的思路，做法是直接把完整轨迹和错误反馈丢给AI，问它"你觉得第几步开始错的"，让AI直接报一个数字出来。

结果三种方法一比，HDL全面领先，在智能体任务上分别比熵定位法和直接反思法高出5.67和6.54个百分点。

研究团队进一步扒开数据看这三种方法到底选中了什么位置。他们发现在ScienceWorld里，每一步操作可以拆成"动词"和"参数"两部分，比如"连接 红色灯泡阴极 到 电池阳极"，"连接"是动词,后面那部分是参数。

熵定位法几乎永远盯着动词看，不管这一轮任务是成功还是失败，超过80%的选择都落在动词位置上。这是因为动词位置候选项确实多，天然熵就高，但这只是表面的"看起来很纠结"，不代表这真的是出错的地方。

HDL则完全不同：在失败的轨迹里，超过一半的选择落在参数位置（比如选错了具体物体或目的地），而在成功的轨迹里，更多选择落在动词位置。这说明HDL真正学会了区分"这次是操作方式错了"还是"这次是选错了对象"，这是一种更贴近实际错误原因的判断，而不是简单地被"选项多不多"带偏。

论文还发现，随着训练推进，熵定位法选出来的位置越来越趋同于"整体上出现频率最高的动词"，也就是说它渐渐退化成了"哪个动词最常见就选哪个"，失去了区分度。而HDL选出来的位置，跟整体分布的差距反而越拉越大，说明它一直在坚持寻找真正"特殊"的转折点，没有被带偏。

至于直接反思法，问题出在AI经常答不上来或者答得很随意。有时候AI报出来的位置压根不存在，有时候两次反问给出的两个位置离得太近，等于没有提供两个真正不同的分支选项。算下来，直接反思法平均每组只能凑出3.22个有效分支点，而HDL能稳定凑出3.95个（满分是4个）。

这个对比其实揭示了一件挺反直觉的事：让AI"直接说出哪里错了"，看起来最直接，结果反而不如"让AI隔着一层反思去对比自己的判断变化"来得可靠。 直接问答案容易得到一个不假思索、甚至编造的回答，而通过对比"知道结果前后态度的变化"这种间接方式，反而能捕捉到更真实的信号。这跟心理学里一个现象有点像：直接问一个人"你为什么这么做"，他给出的解释往往是事后编的合理化说辞，但如果观察他行为前后态度的细微变化，反而能看出更真实的想法。

**分支要开几个、根要留几条，也有讲究**

论文还做了一组细致的消融实验，测试不同的"根数量"和"每根开几个分支"的组合。

默认设置是2条根，每条根开2个分支位置，分支上分别放3个和4个续写，总共16份。如果把分支数减到每条根只开1个位置（把7个续写全堆在一个点上），墙钟时间能再省15%，但任务得分掉了0.87个百分点。如果反过来，把根的数量提到4条，每条只留1到2个分支位置，虽然探索的起点多了，但生成的词数反而更多，得分还降低了4.09个百分点。

这组对比传递出一个朴素但重要的道理：既不能把所有筹码押在同一个分支上（那样探索面太窄），也不能把根铺得太广而每个分支又太浅（那样每个分支能分到的续写太少，比较不出优劣）。找到"少数几条根、每条根上开两三个像样的分支、每个分支再配足够多的续写"这样一个平衡点，才是最划算的。这跟下棋有点像：与其同时下四盘棋每盘只走一两步就换下一盘，不如专注下两盘棋，每一盘在关键的岔路口多想几种走法，反而更容易把每一盘都琢磨透。

**这套方法也有翻车的时候**

论文很坦诚地在附录里承认了一个局限：HDL的效果，高度依赖模型本身有没有能力"读懂"自己的错误反馈。

研究团队专门测试了一个更小的模型Qwen3-1.7B。结果发现，这个小模型在生成反思的时候，连"这次到底是对是错"这种最基本的判断都经常说错，在数学任务上，反思给出的对错判断和真实裁判结果只有76%一致，代码任务上更是只有56.1%，比随便蒙硬币好不了太多。而同样场景下的Qwen3-8B，这个一致率高达99.7%以上。

后果很直接：在这个1.7B小模型上，HDL的优势彻底消失，跟GRPO打平（45.70%对45.66%），甚至输给了不需要理解反馈内容的熵定位法（47.54%）。

这个发现挺重要的，它说明HDL不是一个万能钥匙，它的前提是模型得先具备基本的"自我理解反馈"的能力。如果模型连自己错在哪都说不明白，那让它去对比"知道错误前后"的判断变化，得到的信号很可能只是噪音而已，甚至比什么都不做还糟。这就像你让一个还没学会看化验单的病人自己解读体检报告，指望他"回头反思哪里不健康"，多半只会得出一堆似是而非甚至错误的结论。

**写在后面**

读完这篇论文，最触动我的其实是那个关于"熵定位法"逐渐退化的发现。

一个方法一开始看起来挺合理（选AI最犹豫的地方），训练久了却慢慢变成了"选最常见的动词"，这个漂移的过程本身很值得琢磨。它提醒我们，很多"看起来聪明"的启发式规则，一旦脱离了对"真实结果"的锚定，很容易在优化过程中悄悄跑偏，而且跑偏的方向往往还是朝着"更容易、更省事"那个方向去的，因为熵高的地方本来就更容易被找到,这是一种统计规律,而不是因为这些地方真的更值得关注。

另一个让我意外的地方是，论文里那个1.7B模型翻车的实验，是很多论文不会主动放出来的"负面结果"。研究者们愿意把这段写进正式的附录，而不是藏起来，这种态度本身就值得肯定。它诚实地划出了这个方法的能力边界：这套思路不是对所有规模的模型都管用，它需要模型自己先具备一定的"读懂反馈、诚实自省"的底子。

这也带出一个更大的问题：随着AI模型规模越来越大，"自我反思"这种能力似乎正在成为一种新的、需要单独培养和检验的能力维度，它不完全等同于模型解题能力本身的强弱。一个数学做得好的模型，未必天然就擅长回头看自己错在哪。这两件事，或许值得分开来研究和训练。

如果一个AI连自己是对是错都判断不准，你还敢让它"反思"吗？

Q&A

Q1：HDL是什么？

A：HDL全称事后分歧定位，是一种让AI通过对比"知道结果前后"对自己答案的判断变化，找出关键错误位置，然后针对该位置生成多种续写方案的强化学习训练方法，能在省算力的同时提升训练效果。

Q2：HDL相比传统的GRPO训练方法能省多少成本？

A：在保持答案组数量一致的前提下，HDL最多能减少61%的生成词数，训练时的墙钟时间最多能快1.83倍，同时在数学、代码、智能体三类任务上的表现都优于GRPO。

Q3：HDL对所有规模的AI模型都管用吗？

A：不是。实验发现HDL依赖模型能否准确理解自己的错误反馈，在参数量较小的Qwen3-1.7B模型上，由于其反思判断对错的准确率大幅下降，HDL的优势基本消失，甚至不如更简单的熵定位方法。