面向 LLMs 的通用文本教学

基于摘要分析。该研究针对知识蒸馏通常需要更新 Student 参数、使知识绑定于特定架构和检查点的问题，提出 Universal Textual Teaching（UTT）：不更新模型参数，而将 Teacher–Student 的知识差距提炼为可解释、可复用的自然语言材料 Primer，以支持 API-only 或训练成本较高的 LLMs。 机制上，UTT 先通过成对评估识别具有代表性的能力差距案例，再通过多角色交互迭代更新 Primer：Student 尝试任务，Prompter 将评估反馈转化为教学指令，Teacher 提供针对性示范，Synthesizer 整合经验证的经验。其主要区别是把蒸馏产物从模型参数转为显式文本；Primer 在推理时的具体使用方式、长度控制与验证流程尚未验证。 在 KernelBench 代码生成任务上，作者报告 Student 的 Accuracy 从 9.4% 提升至 48.6%，Fast1 accuracy 从 9% 提升至 35%；在 Omni-MATH-2 数学任务上，作者报告推理 Accuracy 从 27.6% 提升至 51.7%。摘要未提供这些结果对应的模型身份、样本规模、数据划分及完整评估条件，因此不能据此推断其他协议下的收益，也不能将 Fast1 accuracy 与普通 Accuracy 混用。作者还报告 UTT 优于代表性提示工程与参数式知识蒸馏方法，且为一个 Teacher–Student 配对生成的 Primer 可迁移至未参与合成的其他 Students；具体基线、迁移范围及统计信息尚未验证。 复现时应重点核对能力差距案例的选择规则、Primer 合成数据与最终评估数据的关系、各角色调用配置，以及文本长度、调用成本和推理预算是否匹配。该方法直接面向具备自然语言任务接口的 LLMs，并非 EEG 解码方法；其向 EEG/BCI 的迁移价值待评估，尚未检索确认已有 EEG 相关工作。