腾讯混元提出 Uni-OPD：通过结果引导的边界校准统一 On-Policy Distillation
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：Uni-OPD: Unifying On
...
腾讯混元新作：重新审视 GRPO，本质为响应单纯形上的隐式目标投影
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：Listwise Policy Opti
...
斯坦福等机构新作 DCI：准确率涨 11 个百分点、成本降 29% —— 超越语义检索直接语料库交互
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：Beyond Semantic Simi
...
中科院京东新作 CoPD：混合训练能力打架，先训后蒸馏吸收不了——第三条路怎么走
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：Co-Evolving Policy D
...
通义新作 TCOD：蒸馏越训越差？揭秘多轮 Agent 的"轨迹级 KL 崩溃"现象
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：TCOD: Exploring Temp
...
从 Context 到 Skills：LLM 能否高效从上下文习得技能？
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：From Context to Skil
...
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
...
