自蒸馏：同一模型充当教师生成更丰富的训练信号

自蒸馏让教师和学生使用同一模型，通过向教师副本提供标准答案、失败测试或编译器错误等额外信息，再训练学生逐 token 匹配教师输出。这种方法无需更大更贵的外部教师，但奖励若偏向直接给出答案，可能削弱模型面对陌生问题时的验证行为。