H²SD：混合事后自蒸馏

针对可验证奖励强化学习（RLVR）存在的监督稀疏及令牌级信用分配受限问题，本文提出混合事后自蒸馏（H²SD）框架。该方法依据轨迹正确性动态调整教师信号：对成功轨迹，利用教师模型调制更新幅度而不改变方向；对失败轨迹，基于关键推理步骤提示构建教师策略，通过最小化反向 KL 散度提供明确修正方向。实验表明，H²SD 在多个高难度推理基准上优于现有基线，同时保持优化稳定与生成高效。