Meta AI 提出 RECAP：真正的稳健推理源于纠正错误，而非模仿正确
对于大型推理模型（Large Reasoning Models, LRMs）而言，安全对齐（Safety Alignment）是一个核心且极具挑战性的研究课题
...
ExGRPO：超越在线策略，让大模型从“经验”中高效学习推理
GRPO 或其变体等在线策略算法，遵循着一个严格的“生成-更新-丢弃”循环：模型根据当前策略生成一批经验数据（即解题轨迹），使用这批数据进行一次或几次梯度更新
...
苹果提出 RL4HS：用强化学习来进行幻觉范围检测
对于大型语言模型（LLMs）而言，生成与输入源或已知事实不符的内容，即“幻觉”（Hallucination），是阻碍其在关键应用中落地部署的核心障碍之一。早期
...
NVIDIA 大规模实证研究揭示：推理数据前置到预训练阶段的必要性
研究界的主流范式是将模型的训练过程清晰地划分为两个阶段：首先是通过在海量通用文本上进行自监督学习的预训练（Pretraining）阶段，旨在构建一个通识性的、
...
Meta AI 揭示 SFT 陷阱：盲目追求高分，可能会损害模型在 RL 阶段的潜力
对于大型语言模型（LLMs）的后训练（Post-Training）实践常常依赖于一个基础假设：在 SFT 阶段取得更高性能分数的模型，在后续的 RL 阶段也理
...
腾讯混元提出 RLPT ：在预训练数据上进行 RL，进一步 scaling LLM 推理边界
目前，业界主流的两种范式监督学习和 RL 在“scaling”这一维度上遇到了各自的瓶颈。
我们能否设计一种新的训练范式，它既能像强化学习一样促进模型探索和学
...
DeepSearch：将 MCTS 嵌入到 RLVR，解决信用分配难题
尽管 RLVR 在提升模型推理能力方面取得了显著成效，但是也有一个普遍存在的瓶颈：训练停滞期（Training Plateaus）。在经历了数千个step之后
...
GRPO 就是 DPO ? 2-GRPO 媲美 16-GRPO，训练时间缩短 70%
Group Relative Policy Optimization (GRPO) 作为一种面向大型语言模型（LLMs）训练后阶段的强化学习算法，在学术界和工
...
腾讯混元提出TFPI：效率性能双重提升，解决 RLVR 中长上下文训练难题
带可验证奖励的强化学习（RLVR）能有效解决复杂任务，但在实际训练过程中面临着两大瓶颈：
高计算成本：为了让模型充分探索推理空间，RLVR训练过程中需要生
...
Meta AI：将 LLMs 定义为改进算子，定义效率与效果的新边界
思维链（Chain-of-Thought, CoT）通过引导模型生成一长串推理步骤，显著提升了模型在这些任务上的准确率。这种方法的直觉在于，更长的推理轨迹（即
...
