online-reflection

程序性记忆蒸馏（PMD）将来自强化学习 rollout 的跨回合信号转化为可复用的程序性记忆，并在训练过程中将其蒸馏到策略权重中，从而在推理时无需记忆即可实现自我改进语言模型。实验表明，PMD 在 SCIKNOWEVAL 上比 SDPO 提升 3.8-5.5%，在 LIVECODEBENCH 上提升 7.9-13.6%。