发生了什么
监督微调教师生成轨迹，是蒸馏工具调用能力到可部署模型的标准第一阶段。驱动已上线智能体的后训练流程每天或每周重跑这一步，每轮都要支付前沿教师模型的成本。
现有机制本质是“生成并过滤”：保留教师通过测试的轨迹，其余全部丢弃。由于失败样本不提供任何信号，同一批困难场景会在每一轮循环中反复留下，无法被针对性解决。
在 τ2-bench 上，57% 的教师尝试失败，其中三分之二是接近成功的情况——大多数工具调用正确，但最终未完成。
为什么重要
这种反复重跑却始终绕不开难例的循环，意味着蒸馏成本高但数据质量提升有限。从接近成功的失败中提取信号，可能让每次迭代不只是筛选成功样本，而是真正优化训练数据。
对部署工具调用智能体的团队而言，如果 PROOF-Gen 能把“几乎成功”的轨迹转化为有效训练信号，或可减少重复调用前沿模型的开销，同时改善模型在困难场景下的表现。
关键事实
标准蒸馏第一阶段是对教师生成的轨迹做监督微调，部署管线每天或每周重跑，并支付前沿教师成本。
现有机制是生成-过滤：保留通过轨迹、丢弃失败，难例因无信号而持续存在。
在 τ2-bench 上，57% 的教师尝试失败，其中三分之二是接近成功（大多数工具调用正确但未完成）。
接下来看什么
需关注 PROOF-Gen 如何具体利用接近成功的失败轨迹，能否在不额外增加教师调用的情况下提升蒸馏效果。
后续或会检验该方法在更复杂工具环境中的普适性，以及失败信号能否持续驱动数据质量进步。