Meta AI：Scaling Agent Learning via Experience Synthesis
对于基于大型语言模型（LLM）的自主智能体（Autonomous Agents）而言，强化学习（Reinforcement Learning, RL）提供了一
...
西湖大学提出 SimKO ：一种简单的 Pass@K 策略优化方法
在RLVR的框架下，模型的训练目标通常是最大化 pass@1 的性能。pass@1 指标衡量的是模型生成一次回答时，其正确率的期望值。为了提升 pass@1，
...
Google Research 重磅研究：一种用于持续学习的新型机器学习范式 - Nested Learning
Google 在 LLM 持续学习方向有了新突破。
当前的大型语言模型（LLM）在预训练阶段结束后，其参数化知识（parametric knowledge）在
...
腾讯 WeChat AI 提出 Continuous Autoregressive Language Models
大模型的效率受其自回归、逐 token 生成的方式所限制。
为此，来自腾讯微信 AI Lab 的论文《Continuous Autoregressive La
...
清华 & 智谱推出 CROPI 框架：通过 Off-Policy Influence 来提升 RLVR 的数据效率
RLVR 的核心挑战还在于数据选择。现有的数据选择方法，大多依赖于启发式规则，例如根据问题的难度、模型输出的不确定性或通过率等指标来筛选训练数据。这类方法虽然
...
NVIDIA 提出 CoDeC：通过 In-Context Learning 来区分模型“记忆”还是“泛化”
对于大模型的评估来说，benchmark 必须是模型在训练阶段从未见过的。如果模型在训练中已经接触过、甚至“背诵”了测试集的内容，那么其在评测中的高分就失去了
...
Sea AI Lab 新研究：FP16 可以解决 RL 中的训推不一致
大模型强化学习微调不稳定的一个关键来源：训练-推理不匹配（training-inference mismatch）。为了最大化训练效率，框架通常会采用两种不同
...
浙大 & 阿里提出 RAVR：当 LLM 被“剧透”答案后，它的推理能力会发生什么变化？
我们知道 RL 在大模型应用的一个前提：模型必须已经具备以一定的概率，自主采样出有效的、有价值的推理路径的能力。强化学习的内在机制，更像是对模型现有能力的一种
...
通义 DeepResearch 技术报告解读
当前工业界正在积极探索“ DeepResearch ”这一技术路径。然而，构建一个强大的研究型智能体面临着严峻的挑战，其中最核心的瓶颈之一在于训练数据。
...
字节 Seed 重磅新作：Scaling Latent Reasoning via Looped Language Models
对于现代的大型语言模型（LLMs）而言，其核心挑战之一在于如何超越简单的文本生成，实现真正意义上的深度推理。目前，主流的推理增强方法，如思维链（Chain-o
...
