看懂答案却不会做？AI 也有这个毛病

这支视频想解释什么

看答案时觉得全懂，轮到自己做却卡住了。视频从这个熟悉的体验出发，介绍大模型训练中的在线策略蒸馏（On-Policy Distillation，OPD），再聊聊它对练习与反馈的启发。

讲解围绕三个问题展开：学习用的数据从哪里来，反馈落在哪一步，以及怎样把下一次练习和这一次的错误接起来。不熟悉模型训练，也可以从开场的例子进入。

观看章节

点击时间可以跳转到 B站对应章节。

时间	内容
00:00	开场：看懂不等于会做
00:25	AI 是怎么学说话的
01:06	为什么会一本正经地错到底
01:49	两种老办法，各差一口气
02:36	在线策略蒸馏：让老师看着学生写
04:44	找不到更强的老师怎么办
05:14	人也能借过来用
07:12	结尾

从技术材料到画面

这个作品包括资料整理、脚本、配音与动画呈现。用具体场景串起抽象概念，再通过画面和节奏帮助理解，是它与一篇技术笔记不同的地方。

视频含 AI 辅助生成内容。画面中的概率用于示意，关于人的学习方法属于由技术概念引出的思考，不等同于模型训练实验的结论。

延伸阅读

• Thinking Machines：On-Policy Distillation
• 视频参考的模仿学习理论：Ross 与 Bagnell（2010）。

如果对「怎样判断一次改进是否真的有效」更感兴趣，可以继续阅读下面的 SkillEvolver 复盘：一次没有得到预期结果的实验，最终留下了什么。