把公开文档改写后合成约1万条训练样本，35B学生模型在CL-bench上从13.7%升到24.6%，接近万亿参数前沿模型

流水线用“深度改写+差距检查”把已被预训练读过的公开文档变成上下文学习监督：改写包含专有名词改名、数值扰动、章节重编号和列表顺序打乱，差距检查比较同一问题在有文档与无文档时的评分细则通过率，只保留“有文档可答、无文档不可答、文档确有必要”的样本。 此前合成长上下文监督要么基于真实文档（存在记忆风险），要么完全合成文档（逻辑更简单、更同质）；这里保留真实文档但施加扰动，使教师无法凭参数记忆作答而必须从文档中提取信息并推理。 论文报告一次记忆审计：某模型在无文档情况下能完美回答某知名技术标准的问题，但该标准被改写后得分接近零；流水线在重试前过滤掉32.5%的生成样本，消融显示使用未过滤数据训练的模型在CL-bench上为17.75%，低于使用过滤数据的19.17%。

在无人工标注条件下，流水线从3,515篇公开文档生成9,625条训练样本，覆盖CL-bench 18个子类别中的16个，来源包括IETF RFC、SEC文件、法院意见、arXiv论文、公开手册、wiki与百科。 相比需要专家设计数万字文档并逐条核对答案的人工标注方式，该流程把监督构造完全自动化，并给出可复现的数据来源与子类别分布。 论文给出各子类别文档数量表（如Humanities 376、Science 370、Technical Standards 250、Healthcare 244等，合计3,515），并说明文档准入标准为至少4,000字符且全局URL去重。

训练效果显著且部分迁移到目标基准之外：SFT把Qwen3.6-35B-A3B在CL-bench上从13.7%提到22.8%、CL-bench Life从8.4%提到12.6%，随后评分细则奖励RL达到CL-bench 24.6%、CL-bench Life 13.8%；长上下文理解（AALCR 62.6→69.8）、指令遵循（IFBench 57.7→71.7）、推理（ARC-AGI-1 47.4→63.8）明显改善，代码生成基本不变，知识类略有下降（SimpleQA 20.9→18.7）。 该结果说明用公开文档合成数据可以在不教世界知识的前提下提升“使用上下文”的能力，且提升不局限于训练数据所覆盖的公开文档类型。 结果来自同一学生模型的SFT与SFT+RL对照，并列出多个公开参考模型（GLM-5.2 20.9、Qwen3.8-2.4T 23.9、Kimi-K3 27.0、Hy4-preview 27.6）作为比较；RL在ARC-AGI-1上从63.8回落到51.8，说明RL的额外收益集中在目标能力上。

分析显示收益主要出现在虚构上下文任务上：按论文对500个CL-bench上下文的粗略归类，836个任务基于公开文档、1,063个基于虚构或不明上下文，SFT+RL在虚构组从17.5%提升到32.9%，在公开文档组仅从9.0%提升到14.1%。 这提示训练数据教会的是一种可迁移的推理方式，而不是对特定公开文档内容的记忆，与“扰动以抑制记忆”的设计意图一致。 该归类为作者自行审计的粗略估计而非官方划分，论文明确说明这一点；同时公开文档组本身难度更高这一可能解释也被作者提出。

该结果面向需要模型“读文档并据此推理”的场景，例如内部文档与手册问答、检索段落推理、工具输出与日志解读、以及检查方案是否符合规范；适用对象是希望用公开文档构造长上下文监督数据、且能使用强教师模型的研究与工程团队。论文覆盖CL-bench 18个子类别中的16个，未覆盖的Workflow Orchestration与Operational Procedures因以智能体式对话轨迹为主而难以从公开文档获取。数据规模消融显示在100到9,625条的测试范围内性能单调上升且未见饱和，说明当前约1万条样本池可能尚未耗尽学习容量。

论文自述改写“不保证完美”，只是足以让原文与改写文本可检测地不同；差距检查在重试前过滤32.5%的样本，其判定依赖评审模型。SFT结果强烈依赖教师：相同问题下不同教师答案训练出的学生在CL-bench上从19.7到22.8不等，最强教师Kimi-K3（27.0）反而给出最弱学生（19.7），而中等排名的Qwen3.8-2.4T给出最好的22.8，作者把更细致的分析留待未来工作。RL阶段模型推理与答案变长，且在要求避免幻觉的评分细则上失败率约2%，作者据此提出可能存在奖励钻空子；加入长度惩罚后CL-bench降到20.91，加入整体通过率后未超过SFT。可复现性声明指出官方CL-bench评审提示词会触发内容审核，作者把全角括号替换为半角，并说明这可能改变评审行为、无法保证结果与官方提示词完全一致。此外，上下文来源的公开/虚构归类是作者对500个上下文的粗略审计估计，并非官方划分。