Cursor 与 UC Berkeley 提出 Targeted Guidance，让 on-policy RL 从 0 到 1 学习新行为

Cursor 与 UC Berkeley 提出 Targeted Guidance，通过文本反馈和失败回合的 on-policy 自蒸馏，引导模型学习 base model 几乎不会采样的新行为。在 Qwen3-Coder-30B 多轮软件工程环境中，Markdown 格式遵从率从 0% 提升至 85%，编码任务成功率为 33%，与原 RL 基线持平。