前沿AI教师竞合构建可验证课程，提升编程学生能力

背景

大型语言模型（LLM）越来越多地被用作“教师”，为较小的“学生”模型生成训练数据。传统的多教师知识蒸馏方法通常将多个教师的输出合并，而不判断哪个前沿模型的教学效果最佳。这些方法往往依赖一个LLM裁判（judge）进行评分，但该裁判容易偏向自己的输出，导致评估不公平。为了克服这一局限，本文提出了一种“先竞争后协作”（Compete Then Collaborate）框架：先让四个前沿AI教师（Claude、Codex-GPT、Grok、Gemini）通过基于执行的裁判（单元测试和标准输入输出检查）进行两两对决排序（head-to-head ranking），并加入公平性控制；然后这些教师协作构建一个可验证的课程（verifiable curriculum），供学生（Qwen2.5-Coder）学习。该研究旨在探索如何让AI教师更有效地提升学生模型的编程能力，使其超越简单的模仿。

核心内容

论文在arXiv cs.AI上发布（2026年7月9日提交），标题为《Compete Then Collaborate: Frontier AI Teachers Build a Verifiable Curriculum to Improve a Coding Student Beyond Imitation》。研究引入了一个包含竞争和协作两阶段的框架：

1. 竞争阶段：四个前沿AI教师（Claude、Codex-GPT、Grok、Gemini）分别解决两类编程问题——标准问题（standard problems）和竞赛难度问题（competition problems）。每个教师的解答由基于执行的裁判（execution-based judge）进行验证，裁判通过单元测试（unit tests）和标准输入/输出检查（stdin-stdout checks）自动判断答案正确性，并采用公平性控制（fairness controls）确保排名公正。所有教师在自我修正（self-correction）后，在标准问题上几乎完美（99-100%），出现饱和效应（saturation effect）；但在竞赛问题上则表现出显著差异：Gemini 77% > Claude 69% = Codex 69% > Grok 50%。

2. 协作阶段：排名最高的教师（或排名顺序）并不直接用于下游学生训练。实际上，研究团队让所有教师协作构建一个可验证的课程（verifiable curriculum），该课程包含一系列经过验证的编程问题及其正确解答，但学生不再直接模仿这些解答。相反，这个课程用作强化学习环境（reinforcement learning with verifiable rewards, RLVR）的训练素材，学生通过与环境的交互（即尝试解决问题并从执行反馈中获得奖励）来学习。

研究汇报了三个关键发现（findings）：

• 发现1：在基于执行的验证下，所有教师经过自我修正后，标准问题几乎满分（99-100%，饱和效应），但竞赛问题能区分教师能力（Gemini 77% > Claude 69% = Codex 69% > Grok 50%）。然而，学生层面的鲁棒结果并不依赖于教师排名——即教师排名与学生最终表现无直接关联。

• 发现2：在学生（Qwen2.5-Coder，7B和32B参数规模）已具备一定能力的情况下，直接监督微调（SFT）于教师提供的已验证解答（即模仿学习）没有提升，甚至降低了学生模型表现。具体数据：在MBPP-test上从76.7%降至72.7%，在竞赛问题上从5.9%降至2.9%。这表明对于已有胜任能力的学生，简单的模仿反而有害。

• 发现3：使用相同的协作课程作为可验证奖励的强化学习（RLVR）环境，则显著改善了学生模型在竞赛问题上的表现（从5.9%提升至峰值8.8%，相对提升+49%），逆转了SFT的下降趋势。这说明AI教师协作的价值不在于汇集答案供学生模仿，而在于共同构建一个可验证的环境，让学生通过“做中学”（learning by doing）获得提升。

研究还发布了可复现的本地部署流水线（NVIDIA GB10），并提供了在最新技术栈上运行GRPO所需的框架补丁。

关键要点

• 传统多教师蒸馏方法使用LLM裁判进行主观评分，存在偏见；本文采用基于执行的裁判（单元测试+标准输入输出）进行客观排序，并加入公平性控制。
• 四个前沿AI教师（Claude、Codex-GPT、Grok、Gemini）在标准问题上均达到饱和（99-100%），但竞赛问题拉开了差距：Gemini领先，Grok垫底。
• 教师排序与学生最终表现无关——即排名最高的教师并不一定带来最佳学生效果。
• 直接监督微调（SFT）教师已验证的解答会损害已有一定能力的学生模型（7B和32B均下降）。
• 将协作课程作为可验证奖励的强化学习（RLVR）环境，显著提升学生模型在竞赛问题上的表现（相对提升49%），而SFT则导致下降。
• AI教师协作的真正价值是共同构建可验证的学习环境，而非提供标准答案供模仿。
• 研究开源了可复现的本地流水线（基于NVIDIA GB10），并附带GRPO框架补丁。

意义与影响

该研究挑战了当前大语言模型作为教师的主流范式——即教师生成数据、学生通过监督学习模仿。它明确指出：对于已经具备一定能力的学生模型，模仿已验证的解答反而有害；而强化学习（特别是基于可验证奖励的RLVR）利用同一个课程却能带来正向收益。这提示未来AI教学系统应更注重设计交互环境而非提供标准答案。

此外，基于执行的裁判替代了容易产生偏见的LLM裁判，使教师评估更加客观、可复制。竞争与协作的两阶段设计不仅避免了单一教师的主观局限，还揭示了教师排名与学生最终学习效果之间的非直接关联，启发研究者思考更合理的教师选择与合作方式。

最后，该工作提供了可复现的流水线和框架补丁，有助于其他研究者在类似设置下验证和扩展结论，尤其适用于代码生成等具有明确可验证奖励的领域。整体上，本文为“AI教AI”提供了新的方法论思路，从“数据工厂”转向“环境构建”，可能对未来的合成数据生成、课程学习、以及强化学习训练范式的演进产生重要影响。