你的 GRPO 的优势估计是有偏差的：GRPO 中的统计陷阱与 HA-DW 修正方案
论文标题：Your Group-Relative Advantage Is Biased
论文链接：https://arxiv.org/pdf/26
...
Meta 提出 Dr.Zero：零数据训练的自进化 Search Agent
论文标题：Dr. Zero: Self-Evolving Search Agents without Training Data
论文链接：http
...
深度解析 Ministral 3：基于级联蒸馏的参数高效密集模型训练方法论
论文标题：Ministral 3
论文链接：https://arxiv.org/pdf/2601.08584
TL;DR
Mistral AI
...
Sparse-RL：通过稳定稀疏 Rollout 突破 LLM 强化学习的显存墙
论文标题：Sparse-RL: Breaking the Memory Wall in LLM Reinforcement Learning via S
...
Qwen 发布 ArenaRL：解决开放域 Agent 的奖励建模难题
论文标题：ArenaRL: Scaling RL for Open-Ended Agents via Tournamentbased Relative
...
NTU & 通义提出 AgentOCR：基于光学自压缩的智能体历史重构
论文标题：AgentOCR: Reimagining Agent History via Optical Self-Compression
论文链接
...
DroPE：通过在预训练后移除位置编码扩展 LLM 上下文窗口
论文标题：Extending the Context of Pretrained LLMs by Dropping Their Positional E
...
DeepSeek 新论文 Engram 深度解读
论文标题：Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Larg
...
Anthropic 提出 EDL 来量化大模型的泛化能力
论文标题：Excess Description Length of Learning Generalizable Predictors
论文链接：h
...
小米 MiMo-V2-Flash 技术报告：MoE 架构、混合注意力机制与多教师在线蒸馏
论文标题：MiMo-V2-Flash Technical Report
论文链接：https://arxiv.org/pdf/2601.02780
...
