每个上过学的人都懂一个道理：错题本比题海有用。做对一百道题，不如把一道错题的错因彻底搞明白——因为错误一经讲解，它磨砺出的判断力远超重复的成功。
2026 年 7 月，复旦大学副校长蒋云岗在世界人工智能大会上公开说：失败数据对模型的重要性不亚于成功数据，基础模型的语料建设就该像错题本。台下共鸣一片。
但共鸣归共鸣，行业实际做了什么？每一次强化学习都在产生失败，每一个验证器都在标记失败——而几乎没有一条失败被当作训练资产留下来。
我们做了一次系统审计，把这个问题变成可以核验的数字。先讲主张，再讲怎么查，最后讲查到了什么。
一、主张：成功给方向，失败给精度
这个主张有精确的版本。用贝叶斯的语言说：一次成功的演示，确认了某个策略可行——它给的是方向；一次被归因的失败，剔除了假设空间中的一块区域——它给的是精度。
方向和精度不是一回事。在同一块区域里堆一百次冗余的成功，后验不会更尖锐；而一次解释清楚的失败，直接把那块区域从搜索空间里划掉。学生刷一百道已经会的题，不如订正一道错题——数学上就是这么回事。
但这个主张自带三个告诫，缺一个它就退化为口号：
- 失败必须多样。 同质的失败等于一道错题抄一百遍——信息量为零，起作用的变量是失败模式的覆盖面，不是任何固定的成功-失败比例。
- 失败必须去毒。 奖励作弊式的”假成功”有主动危害，混进来是污染不是数据。
- 失败必须归因。 没有根因的失败记录，只是”错了”两个字——精度来自”错在哪”。
认知科学里有先例：人从亲历的损失中学到的判断，和从书本描述中学到的判断，系统性不同；损失甚至能先于意识洞察、被身体内隐编码并引导决策。我们不声称这些结果能直接搬给梯度下降——它们是动机，不是证明。
二、为什么现在重要
因为当前前沿模型最弱的两个维度——泛化与校准——恰好都指向训练数据实践，而失败驱动学习正是针对这两个维度的候选信号。
看三条证据链。其一，可验证奖励的强化学习（RLVR）被证明是在重新加权既有能力，而不是扩展它：小采样数下的通过率在涨，大采样数下并没有超过基座模型——模型没有学会新东西，只是把已有的排到了前面。其二，后训练本身损害校准：对齐后的模型比预训练版本可测量地更过度自信。这两个病症的共同名字是：模型不知道自己能力的边界在哪——而这恰恰是失败数据教的东西。
其三，受控证据已经存在：在”错误+修正”配对的数据上微调，曾把 LLaMA-2-70B 的数学成绩推到一时超过 GPT-4；针对一个正在坍缩的多步工具使用训练，过程反思监督把成绩拉起 22 分以上，并在训练分布之外的场景拿到非零分数——那里纯监督微调的基线恰好是零分。
方法有效，证据在手。缺的是对实践的系统记述：各家技术报告里零散的披露，从来没有被放在一起比较过——因为缺少一套”这条管线如何对待失败数据”的共享词汇。
三、怎么查：给失败数据的待遇定级
我们设计了一套生命周期量表，给”训练管线如何对待失败数据”定级，从 L0 到 L4：
- L0 丢弃——失败轨迹直接扔掉（拒绝采样的默认操作）；
- L1 影子——失败只作为”被拒绝的那一侧”沉默存在（偏好对数据）；
- L2 瞬时——失败作为一次性梯度用掉就丢（RL 环境里）；
- L3 组件——失败数据有专门设计的组件在运行；
- L4 一等公民——失败记录像成功记录一样被规模化采集、归因、留存、发布，成为公开方法论的一部分。
外加六个子维度（错误定位、因果归因、反思修正等），判据冻结在编码手册里，每条编码锚定一手来源——你可以不同意我们的判级，可以去查我们的引文。
失败数据生命周期（论文原图）。 失败数据在训练管线里的五种待遇，从丢弃到一等公民——本图即编码手册的框架：L0 丢弃（discard）、L1 影子（shadow）、L2 瞬时（transient）、L3 组件（component）、L4 一等公民（first-class）。
审计对象 33 个单元：28 个开源数据集与主流训练配方（2023–25 年），加上 5 条 2026 年旗舰管线的披露，共产出 44 条机制级编码记录。
四、结果一：数据集层，系统性的降格
分层非常干净，干净到刺眼。
全部 7 个监督微调（SFT）单元，无一例外，都是 L0。 拒绝采样式的”做错的扔掉”是 2023–25 年 SFT 数据生产的默认操作——从 Llama 2/3 到各家开源数学数据集，一视同仁。
偏好阶段 6 个单元全部 L1。 偏好对里”被拒绝的那一侧”确实承载着失败——但它从不被单独标注、定位、归因，只是作为对比的阴影存在。
把主流子集单拎出来（SFT+偏好+RL，15 个单元）：0 个达到 L3，中位数在 L1。也就是说：主流配方对失败数据的处理，停留在”扔掉”和”当影子”之间。
而所有 L3 单元都在哪？全在学术例外层。 社区显然知道怎么构建富含失败样本的数据集——论文里造得出来——只是不在主流配方里交付。
五、结果二：一处空缺，一次转向
L4 完全空缺：33 个单元，0 个。 没有任何一家以规模化方式同时做到错误标注、因果归因、反思性修正，并作为公开方法论发布。三个要素齐备的，恰好 1 个单元。
但同一份审计也拍到了一次正在发生的代际转变：2026 年的五条旗舰管线里，四条在运行显式的失败数据组件（队列中位数达到 L3）。而且失败信号的载体在迁移——主流时代靠偏好对承载失败，旗舰时代迁往 RL 环境与审计回路（偏好对载体在旗舰机制里：0/14）。
读法：行为已经变了，方法论还没有名字。 行业在工程上开始开采失败，却没有人把它写成可复用的方法论——这次审计补的就是这个坐标。
失败数据待遇的三个队列（论文原图）。 横轴为生命周期级别（L0 丢弃 — L4 一等公民），纵轴为单元占比；颜色区分队列：橙 = 2023–25 主流配方，蓝 = 学术例外，绿 = 2026 旗舰。主流堆积在 L0/L1，学术与旗舰顶到 L3；L4 处三个队列全部为零——图上标注 “0% in all cohorts”。
六、路线图：让失败数据成为一等公民
审计顺带画出了厂商地图：五家旗舰，无一集齐全部组件，而开放语料环节全行业空缺。缺的基础设施是具体的：
- 三元数据模式——失败记录作为一等对象，三个必填字段：错误类型（定位到步骤）、根因、更正文本，加溯源信息。这是错题本的数据结构化。
- 采集与标注协议——谁采集（用户、员工、模型自己的 rollout）、按多样性而非数量抽样、标注用的分析器模型必须披露。
- 去毒化清洗——训练前的强制阶段，把假成功（奖励作弊）、环境故障、真正有价值的模型失败三者分开。旗舰已有先例：有的把确认作弊的轨迹奖励归零，有的在记录失败原因后剔除”环境崩溃”的样本——不能教模型相信环境损坏是它自己的错。
- 开放语料与共享协议——目前一家都没有。
七、这块高地的后面
失败数据是一块无人占据的高地——这是审计在披露层面内的结论。而它背后还有更大的图景：失败不是孤立的数据类型，它是人类实践之流中信息量最大的切片。医生怎么误诊又怎么修正，程序员怎么写错又怎么修复——这些错题不在任何档案库里，它们是活的实践的一部分。
那已经是姊妹篇《AGI 人本拟合论》要论证的事：拟合对象不是作品，而是实践。这份审计是那条论证链的实证起点。
成功给方向，失败给精度。 学生懂的道理，模型的训练管线迟早也要懂。