蒸馏与拒绝采样

教师生成、筛选和训练是三件事

蒸馏可以使用强模型的输出或行为作为学生学习材料；rejection sampling则生成多个候选并筛去不合格结果，筛选本身并未改变权重。两者可以结合，但应分别记录生成预算、筛选标准、训练目标和最终部署。教师更强不意味着每个答案都正确，也不意味着学生能无损复制能力。

独立验证比自称成功可靠

对数字用程序复算，对引用查原文与蕴涵，对工具动作查终态，对开放解释用经校准的rubric和专家抽审。不要仅保留教师自评最高的轨迹，否则同源错误会进入训练。保留正确拒绝、unknown、异常恢复和反例，避免数据只覆盖顺利完成路径。筛选器版本、证据和被拒原因同样是资产。

核对数据与模型使用权

分别检查教师服务条款、输出训练用途、客户材料授权、基座许可证和最终分发方式。可通过API生成内容不自动代表可用于竞争模型训练，能读取私人文档也不自动具备训练权。对敏感内容执行用途控制、去标识与保留策略，训练数据和评测数据分组隔离，防合成改写污染持出集。

用学生在真实任务上的表现结账

比较教师、未训练学生和训练学生在相同harness、工具和预算下的正确性、拒答、费用与P95。生成和筛选的前期成本要用于项目可行性判断，部署晋升则看未来增量价值。若学生需要更多重试或专家修订，token单价更低也可能更贵。保留跨域和安全回归，不以某个模仿分数代替领域能力。

筛选通过率、人工裁决和被拒样本分布也应保存，以便识别教师或验证器的共同盲点。