强化学习配可验证奖励（RLVR）时，智能体经验主要被压成交互结束后的标量结果。对组相对目标而言，一组 rollout 若拿到完全相同的奖励，这个信号会直接消失，即使各条轨迹已经暴露了任务要求和失败方式。Self-Retrospection Distillation（SRD）把问题反过来问：事后经验能不能教会智能体，在行动之前本该预见到什么。
把事后轨迹蒸馏成事前预判
作者把这条路径称作前瞻学习（prospective learning）：用事后经验，去监督来自「尚未交互」视角的预判。SRD 是它的实例化。完整轨迹里藏着本该有用的知识和本该避开的坑；SRD 把这份带特权的事后信息，蒸馏进同一策略、并且看不见轨迹的事前预判。预判只充当训练目标，推理时不必显式生成。
奖励拉不开时，轨迹里仍有信号
评测覆盖十项工具集成推理与长程智能体任务。SRD 补充 RLVR 与自蒸馏基线，最高提升 24.2 个百分点。这一优势在奖励对比稀缺时更突出：不同模型规模下，37% 到 98% 的 rollout 组是奖励均匀的，SRD 仍能从采样轨迹中利用学习信号。在 2B 设定中，98% 的组全失败，单独做 RLVR 训练最终成功率为 0.0%，加上 SRD 则达到 60.6%。摘要末句在对照条件处截断，未写全同一 rollout 设定的其余细节，这里不补写。
我的判断
这件事的价值很具体：它打的是组相对强化学习的结构性盲区——同奖则无可用对比——而不是再贴一层自我蒸馏的口号。适用边界也清楚：前提是轨迹过程里仍有「奖励看不出」的信息可蒸馏，且预判不必进入推理路径。局限同样明显。目前材料只有摘要，没有说明预判如何参数化、额外算力开销，以及奖励已经拉开时增益是否还稳定；2B 上从 0.0% 到 60.6% 的数字很刺眼，但不能据此外推到更大模型或全部任务。更稳妥的读法，是把它看成 RLVR 在同奖组上的补丁，而不是替代方案。摘要能锁死的只有上述设定与数字，其余以全文为准。