重新思考 On-Policy 蒸馏：训练动态、内在机制以及工程实践方案
让每一项优秀工作，被更多人看见：点击进入投稿通道
论文追踪 APP 推荐：DailyPapers
论文标题：Rethinking On-Policy
...
DeepSeek-V4 技术报告解读
让每一项优秀工作，被更多人看见：点击进入投稿通道
论文标题：DeepSeek-V4: Towards Highly Efficient Million
...
人大 & 字节 Seed 提出 Agent-World：实现 Agent 策略与训练环境的协同进化
让每一项优秀工作，被更多人看见：点击进入投稿通道
论文标题：Agent-World: Scaling Real-World Environment S
...
如何抑制大模型强化学习中的重复错误？MEDS 动态奖励框架解读
让每一项优秀工作，被更多人看见：点击进入投稿通道
论文标题：The Past Is Not Past: Memory-Enhanced Dynamic
...
大模型后训练再思考：决定推理SFT泛化能力的三个隐藏变量
让每一项优秀工作，被更多人看见：点击进入投稿通道
论文标题：Rethinking Generalization in Reasoning SFT: A
...
腾讯混元新作：大道至简做好思维链无损压缩
让每一项优秀工作，被更多人看见：点击进入投稿通道
论文标题：The Art of Efficient Reasoning: Data, Reward,
...
相同语义下，提示词的文本频率如何影响大语言模型？
论文标题：Adam’s Law: Textual Frequency Law on Large Language Models
论文链接：https
...
京东提出 RLSD：解决 On-Policy 自蒸馏中的信息不对称问题
让每一项优秀工作，被更多人看见：点击进入投稿通道
论文标题：Self-Distilled RLVR
论文链接：https://arxiv.org/
...
Qwen 团队提出 FIPO：通过 Future-KL 影响的策略优化激发大模型深度推理能力
让每一项优秀工作，被更多人看见：点击进入投稿通道
论文标题：FIPO: Eliciting Deep Reasoning with Future-K
...
mSFT: 解决多任务SFT过拟合问题
让每一项优秀工作，被更多人看见：点击进入投稿通道
论文标题：mSFT: Addressing Dataset Mixtures Overfitting
...