PretrainZero：将强化学习前置到预训练阶段的主动学习框架
论文标题：PretrainZero: Reinforcement Active Pretraining
论文链接：https://arxiv.org
...
LLM-as-a-Judge 评估中的偏差修正与置信区间构建
论文标题：How to Correctly Report LLM-as-a-Judge Evaluations
论文链接：https://arxiv
...
Qwen 推出 MiniRL：关于大规模 RL 训练稳定性的研究和实践
论文标题：Stabilizing Reinforcement Learning with LLMs: Formulation and Practices
...
DeepSeek-V3.2 技术报告深度解析：架构演进、RL 扩展与 Agent 合成数据
论文标题：DeepSeek-V3.2: Pushing the Frontier of Open Large Language Models
论文链
...
Qwen3-VL 技术报告深度解析
论文标题：Qwen3-VL Technical Report
论文链接：https://arxiv.org/pdf/2511.21631
TL;
...
Qwen 团队推出 SAPO，相较于 GRPO、GSPO 稳定且更优
论文标题：Soft Adaptive Policy Optimization
论文链接：https://arxiv.org/pdf/2511.203
...
主打自验证数学推理：DeepSeekMath-V2 技术报告解读
DeepSeekMath-V2发布了，主打可自验证的数学推理。
论文标题：DeepSeekMath-V2: Towards Self-Verifiabl
...
Anthropic 新作：利用“接种提示”可以阻止 Reward Hacking 引发的非对齐泛化
论文标题：NATURAL EMERGENT MISALIGNMENT FROM REWARD HACKING IN PRODUCTION RL
论文
...
弱师出高徒：COLM 2025 Delta Learning 揭示弱模型偏好数据如何驱动 SOTA 级后训练
昨天解读了 OLMo3 的技术报告，其中的 DPO 部分用到了 名为 Delta Learning 的方法。提出这个方法的论文《The Delta Learn
...
AllenAI OLMo 3 技术报告深度解析
报告链接：https://www.datocms-assets.com/64837/1763662397-1763646865-olmo_3_techn
...
