NeurIPS 2025 满分论文：LLM 强化学习的上限已被基座锁死了
论文标题：Does Reinforcement Learning Really Incentivize Reasoning Capacity in LL
...
小红书推出 RedOne 2.0：SNS 领域大模型后训练实践指南
论文标题：RedOne 2.0: Rethinking Domain-specific LLM Post-Training in Social Netw
...
EMNLP 2025 主会论文解读：Towards Automated Error Discovery
论文链接：https://arxiv.org/pdf/2509.10833
论文标题：Towards Automated Error Discove
...
Meta AI 最新研究：大模型强化学习的几何优化偏置
对于大语言模型的后训练（post-training）而言，研究者通常面临两种主流技术路径：监督微调（Supervised Fine-Tuning, SFT）和
...
Meta AI：Scaling Agent Learning via Experience Synthesis
对于基于大型语言模型（LLM）的自主智能体（Autonomous Agents）而言，强化学习（Reinforcement Learning, RL）提供了一
...
西湖大学提出 SimKO ：一种简单的 Pass@K 策略优化方法
在RLVR的框架下，模型的训练目标通常是最大化 pass@1 的性能。pass@1 指标衡量的是模型生成一次回答时，其正确率的期望值。为了提升 pass@1，
...
Google Research 重磅研究：一种用于持续学习的新型机器学习范式 - Nested Learning
Google 在 LLM 持续学习方向有了新突破。
当前的大型语言模型（LLM）在预训练阶段结束后，其参数化知识（parametric knowledge）在
...
腾讯 WeChat AI 提出 Continuous Autoregressive Language Models
大模型的效率受其自回归、逐 token 生成的方式所限制。
为此，来自腾讯微信 AI Lab 的论文《Continuous Autoregressive La
...
清华 & 智谱推出 CROPI 框架：通过 Off-Policy Influence 来提升 RLVR 的数据效率
RLVR 的核心挑战还在于数据选择。现有的数据选择方法，大多依赖于启发式规则，例如根据问题的难度、模型输出的不确定性或通过率等指标来筛选训练数据。这类方法虽然
...
NVIDIA 提出 CoDeC：通过 In-Context Learning 来区分模型“记忆”还是“泛化”
对于大模型的评估来说，benchmark 必须是模型在训练阶段从未见过的。如果模型在训练中已经接触过、甚至“背诵”了测试集的内容，那么其在评测中的高分就失去了
...