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
...
HuggingFace 高分论文：首个达到 IPhO 金牌水平的开源模型是如何炼成的？
论文标题：P1: Mastering Physics Olympiads with Reinforcement Learning
论文链接：http
...
Meta 提出 SoCE 策略，仅靠权重融合实现 SOTA
论文标题：Souper-Model: How Simple Arithmetic Unlocks State-of-the-Art LLM Perfor
...
陈丹琦团队新作 Retaining by Doing：揭示 RL 比 SFT 为什么更能缓解灾难性遗忘
论文标题：Retaining by Doing: The Role of On-Policy Data in Mitigating Forgetting
...
微软提出 GAD：通过生成对抗蒸馏方法实现 On-Policy 蒸馏 GPT-5
论文标题：Black-Box On-Policy Distillation of Large Language Models
论文链接：https:
...
LightReasoner：利用小模型引导大模型推理的对比学习框架
论文标题：LIGHTREASONER: CAN SMALL LANGUAGE MODELS TEACH LARGE LANGUAGE MODELS RE
...
WeiBo AI 推出 1.5B 小模型，成本实现 SOTA 级推理
论文标题：Tiny Model, Big Logic: Diversity-Driven Optimization Elicits Large-Mode
...