ROSS：通过选择性监督从自生成 Rollouts 中重新学习

ROSS 保留完整历史轨迹作为上下文，仅对选定的模型生成续写施加损失，用于从自生成 rollouts 中再学习。其在 Qwen3.6-35B-A3B 上将六项 MOPD 平均分从 58.40% 提至 62.20%，SWE-bench Verified 从 64.20% 提至 68.40%，且无需额外 policy rollouts。