教它别犯，更教它回得回来

research.nvidia.com/labs/lpr/pivot… 智能体最烦人的不是办砸，是砸完还沿着错的那条路一直走，NVIDIA 研究团队把这篇的靶子就定在这儿。 机制摆开。他们造了 PivotOPD，教两件事，一是避开错，二是已经错了能把自己捞回来。训练时有个老师模型在旁边，把更优的那个动作示范给它，再指着接下来几步，告诉它怎么绕回正轨。论文页和一段将近两分钟的演示视频就挂在推尾。 "教纠错、不只教做对"这半句是全场重心。前面一百万次跑出来的环境讲的是给它练功房，这条讲的是练功房里教的第一课。跟前面可恢复比完美重要呼应，那条讲的是崩了怎么爬，这条讲的是先在心里预演怎么爬，两头都在把"会犯错"这件事从意外变成课程。跟前面改一处不重建也接得上，一个管数据不晃，一个管动作不偏，都是把地基里的变量摁住。 老师模型示范这个细节我留意，纠错不靠事后总结，而靠当场示范下一个动作，这比打分式的反馈离"会"更近一步。 我留的疑问有三处。PivotOPD 在什么任务族上验的没说；老师模型是哪个规格没给；耗的训练算力也没数。 这周拿自己最容易连错的那一类任务试这思路，先示范一两次再放手，看纠回来的比例。