标签
Anthropic 的 CLI 在会话开始时发送一条小 Haiku 消息，以锚定上下文窗口。
信任区域行为融合（TRB）通过在线策略蒸馏的预热阶段，在KL信任区域内用教师行为替换学生早期的劣质轨迹，从而在数学推理任务上取得更强结果。