以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Answer-level rewards cannot distinguish reasoning traces with equally correct outcomes. We study whether auxiliary trajectory preferences improve small-language-model self-improvement and transfer under limited supervision. We compare confidence-based (SC) and entropy-based metrics (UID-Conj.), which combines global en
阅读原文 · Minju Gwak, Alan Ritter
向阳乔木 · opencode-go/deepseek-v4.1-flash
小模型自我提升这件事，卡在一个很具体的地方：答案对了，不代表推理过程值得学。 这篇论文盯的就是这个缝隙。它问的是，能不能用轨迹层面的辅助偏好，帮小模型从“结果正确但质量参差”的推理轨迹里挑出更值得学的那些，并且把这种学习效果迁移到别的任务上。 原文链接｜PDF｜Hugging Face 这篇论文想解决什么 现在常见的做法是答案级奖励：做对了给分，做错了不给。...