AdviSD: Learning to Advise Frontier LLMs via Targeted Multi-Turn Self-Distillation¶

复现级别：L1 核心机制诊断。 执行 paired contrast、donor calibration 和选择 gate；不调用 Gemini/Claude executor，未复现 BFCL-v3。

论文信息¶

字段	内容
论文链接	arXiv 2609.38142
公司/机构	University of Southern California（按第一作者署名单位）
首次公开日期	2026-09-29（arXiv v1）
原文开源代码	否：截至 2026-10-01 未找到原作者公开仓库
Adapter	`advisd`
本地复现代码	`src/auto_research/post_training/latest_20261001.py`

冻结 executor，只训练 advisor；反思先提出修正，再对同一已记录 executor 响应分别计算有建议与无建议的平均 log-likelihood，只有影响幅度超过 donor-advice 校准阈值的决定才进入自蒸馏。

flowchart LR
  I[公开输入/当前状态] --> M[advisd 核心机制]
  M --> A[可审计中间量]
  A --> O[输出/更新状态]

原论文 Figure 1（关键图）：展示原论文的训练流程与关键优化环节。图片来自原论文，版权归原作者所有；点击图片可查看来源。

\(c_k=T_k^{-1}\sum_t[\log\pi(y_{k,t}|C_k^+)-\log\pi(y_{k,t}|C_k^-)]\)；阈值是 donor contrast 绝对值的经验分位数。

相对 advisor-GRPO，BFCL-v3 提高 4.2–6.4 个百分点，EnvScaler 提高 3.9–5.1 分。

本地对照口径：基线为论文机制关闭或默认状态，实验组为开启对应核心算子；本批只验证不变量和状态转换，跨模型相对变化不适用。

三种子诊断见 metrics/mechanism-seeds42-44.json。diagnostic_only=true，只证明核心状态转换、梯度或调度不变量可执行，不能进入正式能力排名。

执行 paired contrast、donor calibration 和选择 gate；不调用 Gemini/Claude executor，未复现 BFCL-v3。