摘要
大型语言模型（LLM）越来越多地作为教师，为更小的学生生成训练数据。以往的多教师知识蒸馏方法将输出合并，而未能确定哪个前沿模型的教学效果最好，通常依赖于偏向自身输出的LLM评判。我们提出了一种先竞争后合作的框架，其中四位前沿AI教师（Claude, Codex-GPT, Grok, Gemini）通过基于执行的评判者（单元测试和标准输入-标准输出检查）进行公平排名，然后合作构建一个可验证的课程供学生（Qwen2.5-Coder）学习。
我们报告了三项发现：
- 在执行验证下，所有教师在自我校正后几乎完美解决标准问题（99-100%），但在更具挑战性的竞赛问题中表现差异明显（Gemini 77%，Claude 69%，Codex 69%，Grok 50%）；然而，强大的学生端结果并不依赖于教师排名。
- 在经过验证的解决方案上进行模仿学习（SFT）并未提升，反而可能降低已经具备能力的学生（7B和32B模型），例如在MBPP测试中从76.7%降至72.7%，在竞赛问题中从5.9%降至2.9%。
- 使用相同的合作课程作为可验证奖励的强化学习环境（RLVR）显著改善学生表现（在竞赛问题上从5.9%提升至8.8%峰值，相对增益49%），逆转了SFT的方向。AI教师合作的价值不在于汇聚答案以进行模仿，而在于共同构建一个可验证的环境，让学生通过实践学习。
我们发布了一个可复现的本地管道（NVIDIA GB10），并提供了运行GRPO所需的框架补丁，适用于前沿技术堆栈。
博主点评： 本文探讨了AI教师之间的竞争与合作，强调了可验证的学习环境的重要性，显示了传统模仿学习的局限性。通过合理的评估与协作，AI可以更有效地提升学生的编程能力，为未来的教育模式提供了新的思路。特别是在强化学习领域，这种方法的应用潜力值得进一步研究。