#AutoScaffold

训练 RL 模型时奖励只有一个数字，浪费了大量信息。这篇让教师模型自动写提示和策略当脚手架，四类任务全赢过普通 RL 基线，数学只用三分之一步数就超过 QuestA。做后训练的工程团队可以直接参考这套自动化方案。