ROSS 把训练中丢弃的历史自生成轨迹重新利用，在 Qwen3.6-35B-A3B 上把 MOPD 六基准均值从 58.40% 提到 62.20%、SWE-bench Verified 从 64.20% 提到 68.40%
ROSS 提出一种选择性监督的再学习流程：从原始 RL、多教师在线蒸馏（MOPD）或智能体 RL 训练中保存的历史自生成轨迹里，先用结果验证器筛出成功轨迹，再由 LLM 审阅者标出值得模仿的模型生成片段，保留完整轨迹作为上下文但只对被选中的 token 施加损失，从而在不产生新 rollout 的离线 SFT 阶段提升上游检查点，在 Qwen3.6-35B-A3B 上把 MOPD 六基准平均从 58.40% 提升到 62.20%、SWE-bench Verified 从 64.20% 提升到 68.40%。