模型训练 LLM-DailyDigest 2026-08-30 2026-08-30 约 100 字 预计阅读 1 分钟 模型训练 本主题由提交工具自动创建，可在此补充洞察与资料。 相关消息（按子主题自动聚合） 三层框架 1 自进化（Self-evolving／RSI）三层框架与实践路径 08-30 三维生成 1 ZipTok3D：紧凑令牌前缀实现高保真 3D 令牌化 09-07 三维重建 3 InfiniSplat v2：改进任意视角前馈式 3DGS 重建 10-18 预训练扩散模型与多模态条件增强摄影测量DSM 09-29 Scal3R：多参考相对位姿查询实现可扩展在线 3D 重建 09-07 上下文压缩 2 DCKV：混合语言模型提示词 KV Cache 的学习式变换编码 10-29 LatentPress：超越文本与视觉的上下文压缩 09-02 上下文学习 1 思考何时成为记忆：统一上下文学习与微调 10-22 下游任务适配 1 为下游任务优化语言模型：训练后视角 06-27 世界模型 10 Rollback：世界模型中的经验回溯与策略改进 10-29 PAWM：用陷阱预判世界模型引导黑盒 LLM 智能体 10-22 EVO-WAM：世界动作模型从自我想象中迭代进化 10-20 PDE-JEPA：参数化偏微分方程的潜在动力学预测学习 10-08 NAVA-WAM：从视频原生学习世界动作模型的动作先验 10-08 InternW0-Δ：基于 2 万小时开放数据的世界动作模型 09-29 WROP：在世界模型中训练物体恒存性 09-26 ModAR：模态自回归世界-动作模型 09-17 GE-Act 2.0：机器人操作世界-动作模型的预训练与规模扩展 09-10 SolarWM：长时程视频世界模型的开放数据与可扩展训练 09-07 中期训练 4 数据调度与学习率调度应协同设计 10-22 多领域中期训练的适度覆盖最优与对齐抗性领域差距 09-09 首创 Mid-training 范式破解 RL 奥秘，Llama 推理性能追平 Qwen 07-01 OctoThinker：中期训练促进强化学习规模化 06-25 主动学习 4 解构多任务主动学习：梯度冲突悖论与正交分解 10-19 推理 LLM 中的序贯实验设计摊销 10-18 NAOD：面向偏置 LLM 评判器的主动偏好学习最优设计 10-01 通过预测误差将内部表征转化为模型改进 09-30 事实核查 1 多轮证据消融评估与改进大模型事实核查 09-09 交互控制 1 OS-Kairos：以置信度机制避免 GUI 智能体“过度执行” 07-03 人工智能辅助编程 1 昆仑万维发布软件工程智能体模型 Skywork-SWE-32B 06-20 代码模型 2 后训练语言模型实现信息学竞赛金牌级表现 09-03 CodeFuse-CGM：面向代码智能的开源代码图模型 06-28 价值估计 1 PPO Critic 的价值扁平化及稀疏监督缓解方法 09-17 价值权衡 1 你内心有许多狼：运用认知模型解读 LLM 中的价值权衡 06-25 任务生成 1 TaskCraft：自动生成代理式任务与执行轨迹 06-13 低成本训练 1 游戏玩家可以训练数学推理模型吗？ 06-12 低资源学习 1 面向低资源大模型任务的可迁移提示与对齐策略 07-01 体裁扩展 1 属性引导的多体裁创意写作数据扩展 08-21 信息检索 1 阿里发布信息检索智能体 WebDancer，GAIA 基准超越 GPT-4o 06-27 信用分配 5 S3AC：面向 LLM 推理的稳定、选择性、可扩展 Actor-Critic 10-27 DTCA：扩散语言模型强化学习的去噪词元信用分配 10-27 MRTPO：多奖励强化学习的奖励特定词元级信用分配 10-18 Trust the Critic More：基于动作分块的 Actor-Critic 训练 10-01 PEPO：基于邻近熵的 RLVR 词元级信用分配 10-01 偏好优化 13 DPO 计算图随机剪枝：训练提速 1.4 倍并降低峰值显存 10-22 ECHO：偏好优化中的公共模式偏移导致词表坍缩 10-22 RubricOpt：用于偏好优化的语义准则自修订框架 10-22 PrefMind：在线多智能体偏好学习提升多模态生成 10-19 小模型生成更优拒绝样本：偏好蒸馏的规模规律 10-01 PrefPI：偏好引导生成式机器人策略突破分布外行为 10-01 DiaWhisper-DPO：临床访谈角色归属转录与失败挖掘偏好优化 09-16 Style-Debiased DPO：用事实性感知偏好数据更新 LLM 知识 09-16 基于激活标签传播的低资源大模型偏好适配 09-01 PLC-DPO：噪声与模糊偏好优化中的后验标签校正 09-01 FaST：面向个性化偏好对齐的特征感知采样与调优 08-07 使用规则引导的合成数据进行可配置偏好调优 06-16 隐式奖励作为桥梁：SFT 与 DPO 连接的统一视图 06-15 元学习 1 使用元学习检测维基百科傀儡账号 06-13 元认知 5 Imprint Reader：从权重更新解读到行为干预 09-30 LLM 预测自身准确率时会习得不同形式的元认知 09-29 MERA：分离推理与控制的元认知推理框架 12-31 MERA：通过推理-控制分离与 CSPO 实现元认知控制 12-31 元优化与元认知：从训练效率到模型自我反思 08-06 具身基础模型 11 游戏规模化：在多样虚拟世界中持续预训练具身智能体 10-23 UniWALM：统一世界-动作-语言模型用于具身机器人控制 10-21 UniWAM：统一世界-动作模型 10-09 VLA 模型的指令-动作绑定失效与反事实训练 10-01 ActionPiece：重思自回归 VLA 模型的动作词元化 09-17 LIT：打破视觉-动作捷径的机器人基础模型训练 09-15 OpenWAM：开放模块化世界-动作模型预训练框架 09-10 VLA-Precision：VLA真实世界在线强化学习的非对称协同自举 09-07 ZimaBlue：可扩展视频预训练驱动的泛化世界行动模型 09-03 INDI：为视觉-语言-动作模型蒸馏行为意图 09-01 地平线与极佳提出几何一致视频世界模型，增强机器人策略学习 06-27 具身规划 2 PackLab：机器人料箱装箱多模态模型综合框架 09-25 Embodied Planner-R1：通过强化学习释放 LLM 的具身任务规划能力 07-01 内在反馈 1 RLIF：利用模型内在置信度实现无外部监督的强化学习 12-31 内在奖励 1 Learning to Reason without External Rewards：无需外部奖励的推理学习 05-26 决策解释 1 使用强化学习训练大型语言模型解释人类决策 05-16 创意写作 1 LitBench：可靠评估创意写作的基准与数据集 07-02 动作推理 1 Chain-of-Action：通过轨迹自回归实现动作推理的模仿学习新范式 07-18 医疗人工智能 3 RetiJev：快速且来源可溯的眼科决策模型 10-23 CarveMix-RC：病灶感知合成增强改善脑转移瘤罕见类别分割 09-30 Fathom-Vaidya：基于量规奖励提升医疗推理 09-22 医疗人工智能评测 1 LLM作为模糊评判：微调大模型用于临床评估 06-16 协作合成 1 GRA：多角色小模型协作生成媲美大模型的高质量训练数据 06-18 协同演化 13 SPLICE：基于一致性正则化的智能体知识—模型协同演化 10-23 CoEvo-RSI：模型与测试框架协同演化 10-22 Evo²：权重与脚手架协同演化推动智能体自我进化 10-18 PRAXIS：符号档案驱动的自改进模型学习动力学 10-09 CoTrace：面向终端智能体的脚手架感知数据配方 10-08 自消耗生成模型与人类偏好的协同演化 10-08 STRETCH：动态挑战驱动的自授式 LLM 渐进演化框架 09-17 AI 的有性演化：多代模型种群的群体遗传学框架 09-17 脚手架与模型协同演化：在策略纠错弥合弱模型差距 09-09 CoGR：强化学习协同进化生成式检索器 09-07 J-Zero：零数据下挑战者、求解器与评判者统一协同进化 09-01 清华 CPMöbius：Coach-Player 协作共演化实现自主出题训练 08-12 Socratic-Zero：以苏格拉底式教学推动智能体协同进化 12-31 博弈智能体 1 DipLLM：以少量数据微调大模型的外交博弈智能体框架 07-02 原型推理 1 ProtoReasoning：以推理原型提升大模型跨领域泛化能力 06-23 参数高效微调 1 Progtuning：基于 Transformer 语言模型的渐进式微调框架 06-27 反例推理 1 ICML 2025：首个反例驱动推理基准揭示大模型“刷题式假象” 10-23 反思回溯 1 ASTRO：通过上下文反思与回溯训练语言模型推理 07-01 反馈优化 1 Critique-GRPO：利用自然语言与数值反馈推进大模型推理 06-04 可扩展推理 1 SLR：可扩展逻辑推理的自动化综合框架 06-23 可靠性训练 1 基于可验证奖励训练接地大模型的经验总结 06-23 可验证奖励 1 具有可验证奖励的强化学习可隐式激励基础大模型正确推理 06-19 合成强化 2 Synthetic Data RL：仅靠任务定义合成数据并强化学习 06-25 合成数据强化学习：任务定义即你所需 05-23 合成数据训练 1 Synthetic Data RL：仅凭任务定义生成数据并强化学习 12-31 同声传译 1 SeqPO-SiMT：序贯策略优化让同传性能直逼离线翻译 07-01 因果推理 1 因果基础模型：通过上下文学习估计因果效应 09-09 图像生成 3 FuseReg：正则化层融合缩小表征自编码器的重建—生成差距 09-29 LLaDA-Image：全开放训练方案打造强大图像生成器 09-07 GenFirst：先生成后重建的稳定端到端潜在生成建模 09-02 图像编辑 4 MT Forcing：自回归扩散实现稳定一致的多轮图像编辑 10-21 LensErase：面向万物擦除的图像编辑基础模型 10-18 Paint-Anything：统一任意颜色控制的图像生成与编辑 09-22 PrismGPT：代理任务引导的区域感知照片编辑 09-22 图形用户界面探索 1 ScreenExplorer：基于好奇心机制自主探索 GUI 的视觉语言智能体 06-28 在策略蒸馏 57 预训练进程中的潜意识学习与隐性偏好传递 10-23 MCPD：降低在策略自蒸馏的参考答案敏感性 10-23 TeachBack：双向偏好优化改进在策略自蒸馏 10-22 OnQ：以自生成轨迹恢复量化模型推理能力 10-22 SAPD：无需环境交互的智能体经验学习 10-21 能力强的教师、短视的评分器：无奖励教师修复用于智能体在策略蒸馏 10-21 OPTD：对齐层间预测变化的在策略蒸馏 10-21 RSOD 构建电信领域语言模型 Llama-CalixCLM v1 10-21 GR-OPD：面向在策略蒸馏的组相对序列信用分配 10-19 Waypoint-OPD：门控在策略蒸馏迁移强化学习策略转变 10-18 Road MOPD：跨教师防护的多教师在策略蒸馏 10-18 批评引导的在策略蒸馏恢复可靠监督 10-18 CCE-OPD：条件对比外推的在策略蒸馏 10-18 何时需要在策略蒸馏？离线学生轨迹往往更优 10-10 在策略蒸馏为何失效：学习信号消失 10-10 MetaOPD：元学习 Token 加权的在策略蒸馏 10-09 DIAL-OPD：用更少 Token 提升在策略蒸馏效果 10-09 重新思考跨分词器在策略蒸馏：从对齐覆盖率到监督可靠性 10-08 Latent-MOPD：潜在多教师在策略蒸馏 10-08 在线还是离线策略学习？蒸馏动态的系统研究 10-08 极端稀疏监督提升大模型后训练推理能力 10-08 JOLT：联合在策略学习与自教师训练 10-08 在策略蒸馏传递新技能而非新知识 10-08 PivotOPD：多轮智能体关键错误预防与恢复学习 10-01 OPSRD：在策略自角色蒸馏 10-01 Neighborhood OPSD：邻域专家增强在策略自蒸馏 10-01 ReTaCo：基于残差目标控制的在策略蒸馏 10-01 诊断推理语言模型的在策略自蒸馏 10-01 逐点裁剪反转纠正：在策略自蒸馏的失效机制 10-01 领域归一化的多教师在策略蒸馏 09-30 极端稀疏监督以单Token更新提升大模型推理能力 09-30 MT-OPSD：面向多轮图像编辑的在策略自蒸馏 09-30 OG-OPD：面向多轮自主智能体的结果引导式在策略蒸馏 09-30 在策略与离策略学习的蒸馏动力学系统研究 09-30 稀疏奖励与稠密蒸馏：在策略蒸馏训练动力学 09-30 DivOPD：面向多轮智能体的异步在策略蒸馏 09-30 IM-MOPD：迭代合并增强多教师在策略蒸馏 09-30 ESCD：跨分词器在策略蒸馏的事件集补全 09-30 EAD：证据对齐的多模态在策略自蒸馏 09-30 PMOPD：基于参数更新子空间保护的多教师在策略蒸馏 09-30 EOPSA：高效在策略自蒸馏安全对齐 09-30 GRASP：面向 LLM 个性化的评分准则感知在策略自蒸馏 09-30 奖励对齐重加权的在策略蒸馏（R²-OPD） 09-30 FIRE：基于 Fisher 信息校准的反馈式在策略自蒸馏 09-29 共享前缀的隐患：用于在策略蒸馏的轨迹丢弃 09-29 LENS-OPD：长程任务的分层监督分配 09-29 何时何处信任教师：熵校准信用分配统一在策略蒸馏与 GRPO 09-24 RL 始于 RL 之前：在策略蒸馏提升强化学习效果 09-24 面向软件工程智能体的类别感知迭代专家训练 09-23 面向低比特推理的在策略蒸馏 09-23 BAS-OPD：预算感知的选择性在策略自蒸馏 09-23 Cal-OPD：校准教师—学生差异的在策略蒸馏 09-21 EOS 标记不一致导致在策略蒸馏长度膨胀 09-19 单样本 On-Policy Distillation：状态覆盖与监督吸收瓶颈 09-18 RetireOPD：可自适应退场的在策略蒸馏 09-18 不完美教师下的离线在策略蒸馏轨迹可学习性 09-17 TGOPD：蒸馏前验证的提示级教师门控 09-09 在线训练 1 桥接大语言模型的离线与在线强化学习 06-27 基础模型 1 中国移动发布九天基础大模型3.0，性能提升35% 07-26 增量评测 1 关系深度学习的增量评测与训练 08-16 多智能体协作框架 1 Draft-KV：语言模型间的有效潜在通信 09-30 多智能体系统 5 DynaFlow：学习自由形式的多智能体编排 10-29 反身性阈值：多智能体实施性预测的相变 10-22 Stackelberg 博弈驱动的多模型协同对齐 10-01 合作驱动优化的多智能体学习 09-16 通过多智能体反思增强大语言模型推理 06-12 多模态学习 11 离散视觉词元可实现语义无损的视觉表示 10-29 MSP：无需跨模态配对数据的模态自博弈训练 10-18 MetaEncoder：面向多模态系统一决策的自然语言双编码器 10-10 视觉语言预训练中的合成困难负样本：SNAP 10-08 Ovis-Embedding：统一文本、图像、视频与音频的全模态嵌入 09-24 OmniVChat：原生音视频对话的数据合成、评测与强化学习 09-22 FLAT：灵活长度对齐的跨模态表征统一检索与生成 09-17 SenseNova-U1.5：原生统一视觉智能模型 09-13 Motion-Omni：联合生成对话语音与全身动作 09-08 像素文本表示学习的设计基础与 Pixel Linguist II 09-07 CPGD：仅用数学训练，跨学科推理超越 o1并缓解强化学习训练崩溃 06-24 多模态推理 3 DLR：强化视觉语言模型的隐空间推理 09-28 智谱开源 GLM-4.1V-9B-Thinking：9B 参数模型斩获 23 项 SOTA 07-03 GRPO-CARE：面向多模态推理的一致性感知强化学习 06-24 多模态搜索 1 MMSearch-R1：激励大型多模态模型自主搜索 06-26 奖励建模 20 记忆感知奖励建模：学习用户对 LLM 记忆使用的偏好 10-23 PerSPL：个性化半监督偏好学习 10-22 Visual Jev：多主体图像生成的参考绑定验证奖励 10-08 RewardExplainer：从反事实偏好反馈学习奖励模型解释 09-29 RewardVerse：评分标准引导的视频奖励建模 09-25 面向科学影响力的创意生成学习 09-25 转写、翻译与优化：语音翻译的联合奖励学习 09-23 ActReview：基于作者答辩与量规奖励的可执行同行评审生成 09-09 AgentRM：以奖励建模增强智能体泛化 09-07 响应级奖励就是 LLM 在线强化学习所需的一切：数学视角 12-31 周志华团队理论证明：LLM中可挖掘内源性通用奖励模型 07-03 Skywork-Reward-V2：通过人机协同扩展高质量偏好数据管理 07-02 通才奖励模型：从大型语言模型中发现内生奖励 06-29 通才奖励建模的推理时间缩放：SPCT 06-28 RewardAnything：用自然语言定义通用奖励原则 06-27 奖励模型也能 Scaling：上海 AI Lab 提出策略判别学习新范式 06-24 ReasonGRM：借助大型推理模型增强生成奖励模型 06-24 ReasonGRM：通过大型推理模型增强生成式奖励模型 06-23 从通用奖励到定向奖励：在开放式长文本生成任务中超越 GPT-4 06-23 大语言模型在线强化学习仅需响应级奖励：数学视角 06-04 奖励机制设计 9 FORK：精确率目标缓解评分标准强化学习中的奖励投机 10-29 Tev：以密集进度奖励扩展长时程智能体环境 10-18 错误投票，正确梯度：多数投票奖励为何逼近可验证强化学习 10-18 ProRubric：以协议级量规缓解 Rubric-RL 奖励作弊 10-01 Claude 优化数学与编程能力导致写作风格退化 09-24 DCRL：通过策略-奖励流形对齐改进强化学习 09-24 RLSVR：面向开放式任务的自验证奖励框架 08-11 结果奖励驱动可泛化推理策略 12-31 强化学习奖励机制现状：验证、粒度与训练策略 12-31 奖励模型评测 3 Agent-RewardBench：面向现实世界多模态智能体的统一奖励建模基准 06-27 RewardBench 2：推进奖励模型评估 06-04 RewardBench 2：高级奖励模型评估 06-02 奖励蒸馏 1 AdvDistill：通过奖励引导的数据集蒸馏增强小语言模型推理能力 07-02 奖励黑客 1 让模型在思维链中明确解释奖励黑客行为 06-28 安全评测 2 AgentPolicyForge：从可执行环境构建策略基准与自适应防护 10-22 Split-LLM 训练隐私失效：返回梯度暴露真实数据行 09-09 对齐优化 1 基于动态奖励加权的多目标对齐优化学习 09-16 工具使用元学习 1 MetaAgent：通过工具元学习实现自我进化智能体 08-01 工具使用训练 5 MATCH：模型感知课程调度与分层门控奖励的工具学习 09-18 面向工具调用智能体的持久教师锚定（PTA） 09-07 MidTool：面向智能体工具使用的中期训练数据合成 08-21 ToolTrain：借助代码库检索工具提升大模型问题定位能力 12-31 MCP·RL：用强化学习训练智能体自主发现并调用工具 12-31 工具调用 4 强化学习训练可迁移的小模型工具选择器 10-23 OS-Helix：统一 GUI 交互与代码执行的原生计算机智能体 10-18 小米 MiMo-V2.6 用 MOPD 低成本修复工具调用重复 09-28 多工具智能体的全自动推理轨迹生成与训练 12-31 并行推理 1 Parallel-R1：通过强化学习让大模型学会并行思维 09-17 开发评测 1 SWE-Dev：评估与训练自主特性驱动软件开发系统 05-16 开放式推理 1 PuzzleWorld：面向益智寻谜的多模态开放式推理基准 06-10 开源模型 2 Project Greenhouse：低算力构建全开放自主智能体搜索模型 10-10 华为开源盘古 Embedded 7B 与盘古 Pro MoE 72B 模型 07-01 异常检测 1 基于 AUC 界的无异常数据自优化 09-24 引导生成 1 ICML 2025 Spotlight：流匹配模型的能量引导生成理论框架 06-30 弱到强泛化 3 SWIFT：基于目标外推的自引导弱到强扩散模型 10-22 随机特征网络中的二次弱到强泛化 10-08 在策略反向蒸馏实现弱到强泛化 09-09 弱点合成 1 SwS：LLM 推理强化学习中的自我感知弱点驱动问题合成 06-12 强化学习 11 跨任务耦合驱动无监督 RLVR 策略坍缩 10-29 DiffusionART：高效稳定的扩散模型强化学习 10-18 MiMo-V2.6：规模化强化学习推动模型自我改进 10-09 Jev 能否充当强化学习中的 Q 函数或策略？ 10-09 RollVerify：兼顾长尾 Rollout 强化学习的效率与精度 10-08 TGRL：温度分组强化学习提升 LLM 探索效率 09-29 Score Centering 稳定离策略强化学习 09-18 言语强化学习的兴起：自然语言反馈统一框架 09-02 清华、上海AI Lab等团队发布推理模型强化学习综述 12-31 大型推理模型的强化学习研究综述 09-11 Magistral：Mistral 首个推理模型与可扩展强化学习管线 06-13 形式化推理 1 字节 Seed-Prover：以引理为核心的 Lean 4 数学证明模型 12-31 形式化证明 3 AlphaProof 技术解析：结合强化学习、自动形式化与 Lean 证明反馈 12-31 StepFun-Prover：基于环境反馈的形式化证明训练 12-31 Goedel-Prover-V2开源：72B模型定理证明超越DeepSeek-Prover-V2 671B 07-18 形式化证明语料库 1 开放证明语料库：大规模研究 LLM 生成的数学证明 06-30 形式化验证 1 RAISE：基于符号评估强化大模型访问控制策略合成 09-29 循环深度 1 循环模型为何越想越错：隐空间推理的深度困境 08-16 心智理论 2 Mind2Dialogue：模拟用户心智状态训练人本语言模型 09-15 ToMAP：以心智理论训练具备对手感知能力的大模型说服者 06-25 思维链 5 TraceForge：用学生模型自身思维风格蒸馏推理轨迹 10-22 模式识别与逐步推理的二分机制 10-08 隐写易学，隐写推理难学 10-01 重新审视后训练中的完整推理轨迹 09-11 MIST：基于模型内部显著性的思维链 Token 压缩 09-01 扩散模型 6 扩散模型的纠错训练 10-22 循环式均匀扩散语言模型 10-22 层次化掩码扩散语言模型 HMDLM 10-22 扩散语言模型的表示空间 MMD 后训练 10-08 VSDD：用变分 Stackelberg 博弈学习离散扩散重写 09-30 DiffuCoder：理解并改进用于代码生成的掩码扩散模型 06-25 批评微调 1 通过单问题批评微调释放预训练大模型的推理潜力 06-09 技术生态 1 AI4AI 从自进化、元进化迈向递归自我改进 08-12 技术趋势分析 2 唐杰谈GLM通往AGI：预训练、后训练与Agent持续Scaling 10-08 基础模型冲击下，AI 博士生与学术研究何去何从 09-28 拓扑蒸馏 1 DART-SD：面向钻石拓扑的多轮工具调用智能体自蒸馏 08-20 持续学习 27 CaLLM：基于非参数适配器路由的持续适应 10-29 HERD：脚手架演化递归蒸馏持续学习框架 10-23 基于算法稳定性的持续学习灾难性遗忘细粒度分析 10-23 Delta N-gram：前向写入语言模型原生 N-gram 记忆 10-23 知识重构缓解持续领域适应中的灾难性遗忘 10-22 日文金融文档多模态基础模型的分阶段持续适应 10-21 SPIN：面向在线持续学习的稳定性-可塑性专用优化器 10-21 功能子网络定位实现高效持续学习 10-18 子空间调优缓解持续学习中的灾难性遗忘 10-18 CART：面向多模态持续指令微调的兼容路由 10-18 Co2In：知识编码、巩固与整合的双层记忆增量学习框架 10-18 注意力头排序与分区实现稀疏持续强化学习微调 10-18 灾难性遗忘集中于低频词元的输出嵌入 10-08 Replay on Demand：按需回放平衡持续预训练中的适应与遗忘 10-01 PILOT：由预测误差伪标签触发的在线时序模型重训练 10-01 持续学习中 LoRA 的动力学理论 10-01 广义残差闭包：兼顾稳定性与可塑性的学习动力学 10-01 Ready2Blend：可组合对齐提示实现持续对齐 10-01 持续学习动力学：统一解析数据归因、遗忘与可塑性损失 09-29 Muon 优化器可超越专用持续学习方法 09-22 JANUS 后验校正缓解微调中的稳定性—可塑性困境 09-18 DRPG：环境反馈驱动的动态策略生成实现 LLM 持续改进 09-16 ReDraft：参考驱动修订缓解持续多模态后训练遗忘 09-16 Fast Weight Attention：面向持续学习的快速权重注意力 09-01 持续学习向系统级适应的范式转型 08-07 GeRe：通过通用样本重放实现 LLM 持续学习的高效抗遗忘 08-07 GeRe：通过通用样本重放缓解大模型持续学习中的灾难性遗忘 08-06 指令优化 1 教学学习范式：融合白盒与黑盒 LLM 的指令优化框架 06-30 指令数据合成 4 UniData：通用多模态指令生成流水线 10-10 EuroAlpaca：面向欧洲语言的任务保持型指令数据本地化 09-07 腾讯优图提出 RAIF 激励推理方法，复杂指令性能提升 11.74% 06-24 Infinity Instruct：扩展指令选择与合成以增强语言模型 06-16 探索推理 1 探索推理：一种熵的视角 06-19 推理优化 5 SAGE以结构信号纠正长程推理偏差 10-08 递归推理模型的优化、架构与测试时扩展瓶颈 10-01 构建逆向思维：提升大语言模型的反向推理能力 09-22 GMTS：基于梯度幅度的词元选择改进大模型 RLVR 推理训练 09-01 直接推理优化：LLM 自我奖励并完善开放式任务推理 06-18 推理强化 1 SPIRAL：强化学习筛选并强化可泛化推理模式 12-31 推理扩展 2 ReLaDrift：漂移模型的循环语言生成与测试时扩展 10-19 Thinking with Looped Flows：基于循环流的可扩展推理 09-11 推理效率 13 BeNice! 通过 KV 共享弥合循环架构的推理内存差距 10-23 RIFT：面向草稿模型的 KV Cache 压缩与可压缩性训练 10-23 循环语言模型第二部分：在不动点处重构训练与推理 10-08 MassAlloc Attention：让注意力自适应分配计算资源 09-30 TokenProbe：利用词元价值不均衡提升推理效率 09-29 自监督置信度训练提升推理效率 09-28 扩散语言模型的因果捷径学习与高效推理 09-24 SKIP：自知识引导的逐步偏好学习实现简洁推理 09-16 GrowMTP：在强化学习循环中从零训练草稿头 09-16 极稀疏监督可有效激发大模型推理能力 09-07 思维令牌是帮助还是陷阱？迈向更高效的大型推理模型 07-01 简单问题快速答，困难问题深入想：基于幂次长度惩罚的高效推理 06-13 Bingo：通过动态与显著性强化学习提升大模型推理效率 06-12 推理早停 2 StartLux-Decision v1.1：RLCD² 驱动自适应决策推理 10-18 Settle：从答案稳定性学习何时停止推理 10-01 推理模型 1 大推理模型强化学习综述 12-31 推理蒸馏 1 NaturalThoughts：为通用推理任务选择和提炼推理轨迹 07-03 推理训练 1 MERA 训练提升模型推理效率与准确性 08-06 推理评测 1 时间计算与时间理解均无法单独解释 LLM 时序推理 10-22 推理迁移 1 数学推理训练能否提升 LLM 的通用能力？推理能力的可转移性研究 07-01 提示优化 3 K2P：无标签知识到提示蒸馏 10-01 LDE：单次局部编辑优化大模型上下文示例 09-29 WanPE：面向文本生成视频的电影级提示词增强 09-26 提示合成 2 PromptCoT 2.0：面向大语言模型推理的可扩展提示合成 12-31 PromptCoT 2.0：以 EM 循环合成高难度推理任务 12-31 搜索推理 1 R-Search：通过多奖励强化学习与搜索增强大模型推理 06-09 数学合成 1 MathFusion：融合数学问题，45K 合成数据带来 18% 能力提升 06-18 数学推理 6 Tiny Transformer 的算法草稿纸与算术课程分阶段训练 10-08 Voice of Reason：强化学习提升语音数学推理 09-17 Nemotron 的 IMO 金牌开放配方：奥数证明训练与推理 09-13 MiroMind-M1：基于 Qwen-2.5 的开源数学推理模型 12-31 AceReason-Nemotron 1.1：通过 SFT 与 RL 协同提升数学和代码推理 06-18 数学推理大型语言模型研究综述 06-10 数学数据 1 DeepMath-103K：用 10.3 万道高难数学题突破大模型推理瓶颈 06-12 数据合成 32 AutoData：智能体生成高质量合成训练数据 10-27 PrismaCoder：分解式评分标准驱动开放多模态代码智能 10-23 LongZero：零数据增强长上下文推理 10-22 合成数据训练何时可被理论保证有效？ 10-21 Vela：以用户行为监督激发 LLM 智能 10-18 TerminalHorizon：扩展长期终端智能体数据 10-18 ZoomCap：证据路由视觉缩放实现可恢复视觉信息迁移 10-18 TimeCap：可扩展的可穿戴健康时序数据标注流水线 10-18 LLM 弱标注用于网络安全推文分类：教师-学生框架 10-18 真实世界训练数据是否是通用图异常检测的必要条件？ 10-09 合成伪方言增强提升语音语言模型方言鲁棒性 10-08 Proximal以AI合成代码数据实现2亿美元年化收入 10-01 Wavelet Flow Matching：面向多变量时间序列的生成方法 10-01 PhotoMOCI：生成式数据增强用于口腔病变分类 09-30 从扰动公开文档合成上下文学习训练数据 09-29 SciWalker：基于算子图与执行反馈合成科学编程问题 09-26 面向5G CSI增强的结构化姿态条件流匹配 09-26 TransBERT：面向领域语言建模的合成翻译框架 09-23 SynthDemo-RL：LLM 合成示范突破 VLA 稀疏奖励瓶颈 09-21 Fisher-Rao 几何视角下防止合成数据训练的模型坍塌 09-17 ToolLoop：动态自反馈的闭环工具使用数据合成框架 09-09 IIns-GAN：带位置标签的无线信号深度生成模型 09-07 LentEx：基于合成数据与指令微调的隐式实体抽取 09-07 DataFoundry：递归自改进的数据生产流程 09-02 唐杰披露智谱大模型训练数据与后训练布局 09-01 水印与掩蔽递归离散分布估计的极小极大界 09-01 RailGen：智能体引导的铁路小型异物生成与检测 09-01 REER-PT：以困惑度引导逆向推理增强预训练数据 09-01 合成数据隐患：无害文本中的隐蔽定向偏见注入 09-01 RailSyn：面向铁路异物检测的诊断引导图像生成 09-01 AlphaGeometry：用合成数据学习几何辅助线生成 12-31 仅用约100道种子题，Socratic-Zero合成数据质量超GPT-5 09-23 数据归因 2 推理模型中“Wait”标记的训练来源追踪 10-24 语言模型预训练中的任务无关数据影响度量 08-16 数据效能 1 语言模型训练的数据效能：DELT 数据组织范式 06-27 数据泄露 1 真相大白！RL不是魔法，随机奖励有效只是由于数据泄露 07-18 数据混合 8 受控预训练数据混合对代码能力的条件迁移 10-10 指令微调混合中的有向任务迁移：A 帮助 B，B 却伤害 A 10-01 合成与真实数据结合的低资源满文历史OCR 09-11 数据混合支撑多语言同语推理泛化 09-10 难度感知数据策展缩小文档 VLM 成本与质量差距 09-02 工业级 LLM 后训练：面向棕地维护的 Dataware 工程 09-01 AutoMixer：利用训练检查点自动优化数据混合 06-30 Domain2Vec：向量化数据集，无需训练寻找最优数据混合 06-13 数据策展 29 数据策展究竟提升上限还是加速训练？ 10-29 近重复图像选择可在视觉语言模型间传递偏好 10-21 MetaCurate：演化高质量编程智能体数据筛选器 10-19 AutoSFT：多智能体自动化研究监督微调数据 10-18 大语言模型数据策略：训练全生命周期统一视角 10-18 最难样本训练的可证明优势：仅保留 2N 个样本实现最优误差率 10-18 英语质量分类器的多语言预训练数据筛选适配 10-10 DataSense-Bench：迈向 AI 科学家的数据感知评测 10-09 MAP4CS：面向代码检索器微调的多维数据剪枝框架 10-09 无标签线性规划数据集剪枝方法 10-08 基于训练动态的合成数据特性分析 10-01 面向泰英指令遵循机器翻译的参考译文驱动数据策展 09-30 DTV：后训练强化学习中的动态轨迹估值 09-30 双置信度门控本地 LLM 评判器筛选商户匹配训练数据 09-29 代码数据如何助益不同任务：LLM 后训练的分解视角 09-29 多样化 SFT 推理轨迹提升强化学习后泛化 09-29 策略多样性采样提升大模型自训练 09-28 FROST：真实数据锚定的在线合成数据筛选 09-26 北大开源 DataFlex-RL：统一接入与公平比较 RL 数据策略 09-25 onPanda：令牌级纠正高效标注在策略对齐数据 09-23 结构优先：面向高效文本转语音的社区感知核心集选择 09-22 WeVisDoc：面向稳健端到端文档解析的两阶段数据框架 09-19 面向低资源语言的可扩展 NER 标注自动纠错框架 09-17 数学家质疑OpenAI Astra挪用未发表研究成果 09-10 面向金融推理的数据中心后训练：挖掘、蒸馏与可验证学习 09-10 OpenAI Astra破解Gromov猜想引发训练数据来源争议 09-10 On-Policy Distillation中的数据效率与难例选择 09-07 从重加权到响应重写：释放影响样本的训练干预效应 09-03 蚂蚁OmniTable统一宽表管理35PB大模型训练数据 09-02 数据自演化 6 清华 AutoSFT：多智能体自主优化训练数据 10-24 Dreaming Learning 缓解合成数据训练中的模型坍缩 10-22 网络化自消费生成生态系统的稳定性与多样性 10-08 程序验证驱动的视觉语言模型自进化 09-29 自主智能体数据工程驱动模型专业化与自进化 09-16 BigBang-V1：35B 模型用自演化合成数据挑战万亿参数模型 08-07 数据获取 1 清华刘知远团队：高质量 LLM 训练数据获取 06-13 数据规模扩展 1 Skywork-SWE：揭示大模型软件工程能力的数据缩放定律 06-25 数据质量 1 评估数据质量在训练双语语言模型中的作用 06-18 文本扩散模型 1 Cosmos：用于文本扩散建模的压缩平滑潜在空间 06-27 文本数据增强 1 PromptAug：使用数据增强进行精细冲突分类 07-01 无监督训练 1 MM-UPT：基于 GRPO 的多模态大模型无监督持续自我改进框架 05-28 时间序列模型 1 清华发布首个万亿级时间点预训练生成式时序大模型「日晷」 06-23 智能体 2 SWE-Dev：构建具备训练与推理扩展能力的软件工程智能体 06-07 SWE-Dev：通过训练与推理扩展构建软件工程智能体 06-07 智能体框架 2 RLinf v0.4 发布：具身强化学习迈向真实物理世界 10-21 腾讯 AI Lab 开源层次化智能体框架 Cognitive Kernel-Pro 12-31 智能体自进化 4 Self-Evolving Agent 的三种进化路径 09-08 SEAgent：从经验中自主学习的自进化计算机使用代理 08-06 SEA：面向计算机使用的自我进化代理 08-06 UI-Genie：面向移动端 GUI 智能体的自改进框架 05-28 智能体训练 22 Trajectory2Gym：面向工具使用智能体的决策驱动交互合成 10-29 WorkFactory：将职业意图转化为可执行任务以规模化训练智能体 10-29 MiRL：面向终端智能体错误行为的定向强化学习 10-27 InterQ-RL：交互感知纠正量化智能体强化学习的执行失配 10-27 ARLArena：稳定智能体强化学习统一框架 10-25 OpenForge RL：Harness 原生智能体端到端训练框架 10-24 BIRD-RL：面向有状态数据环境的可扩展智能体强化学习 10-22 CORD：智能体联合强化学习与蒸馏的冲突感知优化 10-22 编码智能体训练为何要重新审视源代码？ 10-19 MLExpert：面向自主机器学习工程的通用智能体模型 10-18 HarnessSQL：面向真实数据库环境的执行框架原生 SQL 智能体训练 10-09 Caddie：基于任务结果训练 LLM 智能体顾问 10-08 GraphForge：基于证据图的工作区合成与智能体训练 10-01 DeepSeek 公开大规模智能体训练沙箱 DSec 09-26 SkillGym：将人类技能内化为大模型的真实世界解题能力 09-24 从 Agent 开发到算法优化的进阶方法论 09-22 Meshy：角色驱动的 SPMD 强化学习训练框架 09-18 Iris：攀登搜索智能体性能前沿 09-07 Train What You Deploy：生产级编程智能体的 Token 忠实后训练 09-07 上交大新范式：78条高质量样本胜过万条数据 09-28 L0：面向通用智能体的可扩展端到端强化学习训练系统 07-01 Agent-RLVR：通过指导与环境奖励训练软件工程智能体 06-16 机制发现 2 Grokking 中的子空间结晶：秩压缩追踪相变 10-27 Mechanist：自主发现 AI 智能机制的科学智能体 08-14 机器人学习 1 MuJoCo Playground：面向机器人学习与仿真到现实迁移的开源框架 06-26 机器遗忘 2 PTP-U：恢复大模型遗忘中的非必要漂移 10-09 逆向蒸馏实现生成模型数据遗忘 10-08 概念研究综述 1 什么是 Self-evolving、Self-improving 与 RSI？ 08-12 模型发布 12 月之暗面发布旗舰模型 Kimi K3.1 Pro 10-26 IQuest-Q1：面向智能体 CLI 系统的稀疏 MoE 基础模型 10-23 JetBrains 开源 AI 编程模型 Mellum2.1 10-10 小米开源全模态模型 MiMo-V2.6，以大规模 RL 探索 RSI 09-23 小米开源 MiMo-V2.6 全模态模型，扩展强化学习探索 RSI 09-22 ZGCM-1：面向数学推理与智能体搜索的开放高效 7B 基础模型 09-16 StepAudio 3 Gen 通用音频生成模型技术报告 09-15 Agent-Native 模型 NeoHorse-1 发布，验证 RSI 双环闭环 09-13 MiniCPM5-2B开源：端侧通用Agent能力登顶同级模型 09-09 Mitra-v2：高效开放表格基础模型 09-07 Grok 4.6 发布：智能体能力与性价比显著提升 08-14 DeepSeek V4 Pro 正式版上线，主打 Agent 与 Coding 08-13 模型可靠性 7 SimHack：在强化学习训练前预测奖励作弊爆发 10-22 LLM 在否定语句下如何改变预测 10-08 Box²-Bench：语言模型能否选择性依赖外部指导 10-01 Audit-First VAPO：不完美验证器下的风险认证选择性更新 09-29 重复解答微调使推理能力在后续训练中变得脆弱 09-29 Cunning 数据训练提升大模型安全警觉性 09-17 良性微调下的安全路由失效与对齐脆弱性 09-02 模型安全 1 思想犯罪：推理模型中的后门与涌现失调 06-18 模型微调 23 Span Readout 与选择性适配改进 JEV 蕴含重排序 10-27 BrainLoRA：参数高效微调扩展脑编码 10-21 层选择性微调：兼顾任务适配与能力保留 10-10 突破先验障碍：长尾分布下的监督微调 10-09 Internalizer：面向超大语言模型的可移植上下文参数化 10-09 Nemotron 3 微调系统达 IOI 与 IMO 2026 金牌水平 10-08 参数高效微调方法真的不同吗？ 10-08 Unsloth 本地微调 Qwen3.5 0.8B 决策模型，准确率提升至 74.3% 10-08 T-Router：面向参数高效强化学习的丘脑式推理路由 10-01 READ：LoRA 新技能只读旧技能、避免写入干扰 09-28 超越平均安全：机会约束下的 LLM 安全微调 09-25 翻译微调中的通用遗忘缓解无法保留 MT 指令遵循 09-24 OmniEdu：面向 K-12 学习与教学的开放基础模型 09-23 人格微调能否改善 LLM 社交智能体？ 09-21 依赖感知轨迹精炼：高效多轮智能体微调 09-17 TAME：通过Token归因与掩码抑制涌现失调 09-16 TailSFT：过滤式微调提升后训练性能 09-14 利用个体文本语料参数化定制小语言模型 09-10 Compile by Training：将自然语言规范编译为本地神经函数 09-07 从模式保留视角理解 Pause Token 微调动态 09-07 NoRA：归一化低秩适配提升 LoRA 训练稳定性 09-02 MokA：面向多模态大模型的低秩适配微调新范式 06-30 在不损害能力的前提下精简大语言模型 06-13 模型架构创新 12 GaP-MoE：通过正交梯度投影实现专家显式特化 10-22 非对称循环 Transformer：固定全局表征驱动迭代解码 10-22 LAW：基于纯自条件的扩散语言建模 10-22 多流注意力残差：网络深度上的多头注意力 10-18 CoWindow Attention：以多头协作实现完整因果覆盖 09-30 Transformer 可同时生成双重思路：LLM 线性叠加证据 09-26 HyperQ：量子增强扩散语言模型的电路超网络 09-24 LimiX-2：面向通用结构化数据智能的上下文机制网络 09-18 SpectralShift：谱重参数化扩展 Gated DeltaNet 上下文窗口 09-18 Transformer 层间持久循环记忆提升语言模型泛化 09-16 NCP-ArchPreview：通过下一概念预测构建潜在空间语言模型 09-13 Qwen3.8-Next 架构设计：效率、能力与训练稳定性的联合优化 09-02 模型架构演进 1 模型架构发现的 AlphaGo 时刻：ASI-Arch 07-24 模型编辑 1 SMEdit：面向低数据场景的高效元学习模型编辑方法 12-31 模型蒸馏 1 Fable 5.1以思考块一致性验证阻断模型蒸馏 09-07 模型训练 23 Decision Model Factory：构建专用主权决策模型 10-27 单人训练大模型，EvolveLRM 指标挑战 K3V4 10-24 Muon 正交化如何适配神经网络 Hessian 结构 10-22 循环 Transformer 的截断反向传播会损失多少梯度？ 10-22 噪声与长尾下的特征-阈值双校准鲁棒伪标注 09-29 Rufus-Air：开放可复现的大模型后训练方案 09-25 StableVQ：稳定训练向量量化视觉分词器 09-24 ActObs：观察监督改善智能体强化学习探索 09-18 Feyospace-v1：七人团队训练前沿网络安全模型 09-15 7名博士生协同数百Agent从零训练开源7B模型ZGCM-1 09-15 数据稀缺下 MoE 比稠密模型更易过拟合重复数据 09-11 Miles v0.1：生产级全栈后训练系统 09-10 不要丢弃 Dropout：优化层稀疏性以加速 LLM 训练与推理 09-08 Marin 公开 5000 亿参数 MoE 模型训练全过程 09-07 贝叶斯视角统一 ICL、SFT 与 KL 正则化强化学习 09-07 序贯优于联合：在策略蒸馏与 RLVR 的协同机制 09-07 StudentSim：个性化 LLM 学生模拟器训练框架 09-02 SFT-RL 标注预算的跨模型规模近优分配 09-02 从生产流量到后训练：构建覆盖企业请求的自托管 LLM 09-02 Puro-2B：单卡 RTX 5090 低预算训练 2B 模型 09-01 面向噪声 LLM 标注的错误类型感知 NER 损失重加权 09-01 dots.vlm1：自研 NaViT 编码器与 DeepSeek V3 组成的多模态模型 12-31 Jan-nano 技术报告：以多阶段 RLVR 训练高效 4B 搜索型语言模型 06-28 模型路由 2 RIVET：面向成本感知多轮 LLM 路由的响应知情价值估计 10-19 AutoAdapt：自动领域发现与低成本模块化扩展 10-08 模型轻量化 8 GoiBERT：两阶段知识蒸馏打造紧凑型越南语模型 10-22 BrainCodes：基于离散神经编码的轻量级 EEG 基础模型 10-22 SpecMRL：参数谱空间中的套娃式表征学习 10-21 TRACE：面向 MoE 强化学习的 FP4 滚动引导量化感知训练 10-08 CRD：基于交叉反馈与连贯策展的协作式推理蒸馏 10-08 TeacherGRPO：通过教师对齐弥合推理蒸馏的能力差距 09-29 X-AuT：跨尺度蒸馏驱动的语音 LLM 音频编码器渐进压缩 09-13 DFM Mimir v1：仅用许可数据训练的 1B HRM 模型 08-17 模型验证 1 验证器是 RLVR 的隐形天花板，还是能力突破口？ 09-07 沙箱训练 1 DeepSeek公开DSec：每秒创建5000+沙盒支撑Agent训练 09-23 泛化迁移 1 打破领域障碍：强化后训练的推理收益能否迁移到未见领域？ 06-25 测试时优化 3 自适应循环 Transformer 改进测试时扩展 09-30 MASA：以稀疏 MLLM 语义锚点实现密集测试时适应 09-16 超越置信度：面向 LLM 推理的稳定性感知测试时适应 09-11 测试时计算 1 e3：学习探索实现大模型测试时计算外推 06-12 测试时训练 10 Select-TTT：查询条件化的选择性快速权重更新 10-29 ASCENT：智能体将成功经验自蒸馏进权重，实现在线持续学习 10-27 TTPO：无标签测试时策略优化实现自进化 10-27 FogTTA：雾天目标检测的在线测试时适应框架 10-22 仅传频率描述符的智能眼镜部署时适应框架 10-22 自生成反馈破坏测试时训练的长期稳定性 10-08 P-TTT：面向个性化奖励建模的测试时训练 09-30 TTRSD：视觉语言模型的测试时强化学习与自蒸馏 09-29 无标签偏置子空间压缩测试时强化学习 09-17 PROSE：以过程奖励修复医疗问答中的测试时强化学习 09-16 深度研究智能体 2 MiroMind ODR：开放深度研究全流程项目 12-31 WebWatcher：面向高难度多模态深度研究的智能体方案 12-31 混合微调 4 在策略参数更新方向奠定 LLM 后训练泛化基础 10-08 G³-LoRA：梯度引导分组组织奖励加权视频数据 09-30 SRFT：单阶段融合监督与强化学习的大模型微调方法 07-03 SRFT：统一监督微调与强化学习的单阶段推理训练方法 06-25 游戏推理 2 ViGaL：仅通过游戏强化学习提升多模态推理能力 06-25 ViGaL：用街机游戏训练多模态模型的跨领域推理能力 06-18 游戏生成 1 ViGaL：以游戏化合成任务培养通用多模态推理能力 12-31 演化能力评测 1 ASPIRE：模型能否从模糊目标中自我演化？ 09-01 状态追踪 2 PAR：进度对齐循环机制提升状态跟踪长度泛化 10-22 ARGUS：议程驱动的可靠用户模拟框架 10-18 环境合成 10 可控环境合成揭示工具使用智能体缩放定律 10-29 WorkForge：规模化构建可验证的真实工作智能体环境 10-24 Trace2World：从真实交互轨迹重建应用世界以规模化训练 GUI 智能体 10-23 Data World：从零规模化合成数据环境 10-18 MIMESIS：面向交互式智能体训练的真实用户模拟器 10-08 WorkGenesis：构建训练工作型智能体的可执行职业环境 10-01 Skill2Env：面向通用智能体的能力导向环境合成 09-29 CompoWorld：面向通用智能体的组合式环境扩展 09-29 Terminal-Universe：从智能体轨迹重建可扩展终端环境 09-07 CogEvol：高效可靠的学习环境生成模型 09-02 环境工程 1 Agentic Environment Engineering：智能体环境工程综述 09-01 生成式推荐 1 JevRec：生成式推荐的变长语言编码与决策建模 10-29 生成式评测 1 双模型生成与评判机制 12-31 用户模拟 1 OmniSimulator：面向真实异质行为建模的小语言模型对齐 10-22 监督学习 1 生成式视角重塑监督学习：预测一致性学习让标签成为学习指南 06-25 知识编辑 2 可写性与路径：寻址记忆知识注入的受控研究 10-18 EngramEdit：通过条件记忆解耦更新大模型知识 10-08 神经符号人工智能 3 功能梯度引导语言模型学习概率逻辑程序 10-09 ACR：溯因学习中的候选保留策略 10-01 面向工业配置的神经符号人工智能 09-25 科学推理 1 史上最大高质量科学推理后训练数据集开源，快速让 Qwen3 等变“科学家” 12-31 科学数据 2 上海创智学院与上海交通大学发布科学推理数据集 MegaScience 12-31 AutoSDT：面向开放科学智能体的数据驱动发现任务合成管道 06-12 科研复现 1 自动化 LLM 速通基准：评估 NanoGPT 改进复现能力 06-30 科研平台 1 ScienceIDE：将全球科学代码库转化为智能体可学习环境 09-17 科研智能体 4 SAIL：基于科学感知闭环的科研智能体模型 10-10 LLM 科研智能体适配神经算子：先验还是反馈？ 10-09 Atria Dawn：面向科研与工程的智能体基础模型 09-15 PaperGym：以评分准则驱动科研计划生成与训练 09-01 科研评测 1 Auto-Research Arena：语言模型自动研究多目标评测基准 10-27 程序修复 3 WebWorld：以浏览器世界模型驱动 Web 代码自我改进 09-01 Anchored Self-Play：锚定自博弈提升代码修复真实性 08-14 北大、字节跳动等发布 SWE-Swiss：面向代码修复的开源训练方案 12-31 程序进化 1 从搜索到信号：自动启发式设计的在线后训练 10-01 空间音频 1 AMBIT：基于可执行计划与自蒸馏 Transfusion 的空间音频生成编辑 10-29 策略优化 24 PICO：全失败采样下的策略兼容联合解码 10-29 Info-GRPO：面向长链推理的相关性感知探索 10-27 大模型强化学习中的熵坍塌：机制、推导与 DAPO 对策 10-25 GIFT：梯度引导过滤的蒸馏增强推理强化学习 10-23 EPIC：基于精确 KL 前缀重要性比裁剪的自回归策略优化 10-22 基于 Doob 变换的生成式策略优化 10-22 GGPO：面向可验证奖励离策略强化学习的策略优化 10-18 策略梯度估计中的基线与得分中心化 10-18 Fed-GRPO：奖励信号驱动的联邦群组相对策略优化 10-10 AdaptEvo：以演化监督实现自适应智能体学习 10-10 群组策略优化中的 KL 正则化失效与 ZCPO 10-09 HuatuoGPT-3：基于纯强化学习的医疗领域适配 10-08 COPC：异步 LLM 强化学习的耦合离策略校正 10-08 MimicX：策略在环的视频驱动人形机器人运动跟踪 10-08 小语言模型的 GRPO 训练动态研究 10-01 ReSPO：缓解离策略学习梯度饥饿的重塑序列策略优化 09-30 MaPP：面向数据高效 RLVR 的边缘化后验预测框架 09-30 Sample What You Say：让语言模型按其声明的分布采样 09-30 Teach to Learn：提示退火驱动 LLM 推理自我改进 09-30 腾讯混元将临界批大小理论扩展至大模型在线强化学习 09-25 PoEM：从现有策略预测强化学习结果 09-25 EPIG-Tree：面向梯度效率的计算最优分支策略 09-18 Bellman Policy Optimization：无 Critic 的 RLVR 方法 09-15 Qwen3 提出 GSPO：从序列级重要性采样改进 GRPO 12-31 算法模型化 1 算法模型化：将优化算法转化为可演化智能 10-19 算法比较 1 DPO 与 GRPO 在自回归图像生成中的系统性对比 06-20 系统优化 9 TrainBridge：GPU 编译证据引导的智能体式 NPU 训练优化 10-22 FlashNext-RL：面向长程智能体强化学习的系统优化 10-22 QwenGyre：千问超长程 Agent 强化学习训练框架 10-18 Nereus：面向大模型后训练的自适应并行运行时 09-30 RayOrch：血缘可控的多粒度基础模型数据流引擎 09-29 HiLoRe：面向高效 GRPO 训练的激活存储、压缩与重计算 09-29 SAS：端到端上下文排序实现注意力稀疏化 09-15 华为 CloudMatrix 384 超节点很强，但它的“灵魂”在云上 07-03 华为 CloudMatrix 论文披露 AI 数据中心新范式，推理效率超越英伟达 H100 06-30 组合学习 1 组合学习的谱理论 09-29 经验学习 3 从车队经验中学习：机器人集体学习范式 10-21 MetaExp：通过跨任务环境扩展学习经验驱动的自我改进 10-18 Learning to Coach：训练教练模型提炼可迁移经验 09-15 经验授权 1 BCIT：自主后训练中的条件化经验迁移 08-29 结构引导 1 设计合成：通过结构引导控制数据生成 06-11 结构推理 1 通过结构化推理增强大语言模型 06-26 统一多模态建模 1 OpenUni：1.1B 参数统一多模态模型媲美 BLIP3-o-8B 06-23 统一框架 1 多模态统一框架的设计与规模化训练挑战 12-31 缩放定律 6 长上下文持续预训练不宜过早停止：经验缩放定律 10-22 野生 AI 生成网页文本的 Token 价值与缩放定律 10-01 无视觉编码器多模态预训练的缩放定律 09-30 能力流形：统一机器学习缩放定律与全生命周期资源 09-24 智谱唐杰：大模型只看参数的时代结束了 08-20 能力显著性向量：面向下游任务缩放定律的损失—能力细粒度对齐 06-18 置信度评估 5 Chinese Decision：单次前向传播的中文概率决策模型 10-19 RL-ARC：以推理引导不确定性校准大型推理模型 10-10 OpenJev-RLCD：面向校准决策的强化学习实现 10-01 CREDO：用可微读出校准推理模型置信度 09-30 CoCal：面向大语言模型的伴随式置信度校准 09-29 能力迁移 1 WING：交互中心谱潜在引导的世界行动学习 10-08 脚手架优化 2 智能体接口的决策几何：策略如何内化 Harness 偏好 10-29 Harness Scaling：面向跨脚手架泛化的智能体强化学习 10-22 脚手架演化 2 脚手架演化何时触顶：从失败构成判断权重训练时机 10-10 EvoIn：融合演化与内化的智能体微调框架 09-30 脚手架蒸馏 1 Harness-Zero：通过 Agent-as-Harness 蒸馏智能体脚手架 09-22 自动化优化 1 面壁智能发布 ForgeStencil：自动研究与部署闭环 AI 系统 08-07 自动化对齐 3 ReSI：面向抗已知威胁与未知风险韧性的递归安全改进 10-09 DeShortcut-Align：解耦伪捷径的稳健安全对齐框架 09-30 Claude 自动化对齐研究：单卡 48 小时迭代 1601 种方案 08-30 自动化科学研究 2 前向引文监督生成可操作研究局限 10-19 Caltech用PINN发现三维无强迫欧拉方程自相似奇点候选 10-01 自博弈 3 零数据自博弈预训练 09-25 SPIRAL：零和游戏自对弈成为语言模型推理训练的「免费午餐」 12-31 以游戏自对弈筛选可泛化思维链 12-31 自学习 1 MIT SEAL：通过自生成数据与权重更新实现模型自我适应 12-31 自我反思 4 Agent-Reflex：教会语言智能体进行反思性行动 10-18 UMM-Reflection：交错强化学习赋予统一模型原生反思能力 09-30 仅靠自我回溯微调提升智能体，无需强化学习 09-30 Double-Checker：通过自我批判微调增强慢思维大模型推理 06-27 自我奖励 1 一致的路径通向真理：面向LLM推理的自我奖励强化学习 06-12 自我提问 1 SQLM：无需外部数据的自我提问模型框架 12-31 自我改进 4 MiMo-V2.6：扩展强化学习计算迈向模型自我改进 10-18 回望式分层规划：通过事后提炼思路训练推理模型 10-09 在策略蒸馏真的在蒸馏吗？从噪声教师到自我改进 09-01 多游戏联合训练促进自主智能体技能协同 08-05 自我纠错 1 PAG：以策略作为生成式验证器的多轮强化学习自我纠错 06-13 自然语言反馈 1 可证明地从语言反馈中学习：HELiX 算法与理论框架 06-13 自蒸馏 15 智能体强化学习自蒸馏方法的现实检验 10-18 基于熵增益采样与答案混合的递归离线蒸馏 10-18 ReTeach：通过多轮反思与重试构建自教师 10-10 SELF：环境反馈建模增强智能体后见自蒸馏 10-10 Pivot-SD：掩码扩散语言模型的高效自蒸馏 10-08 MIRROR：从模仿到偏好内化的个性化大模型自蒸馏 10-08 解耦自蒸馏：衡量与建模知识习得和保持 10-01 几何修改输出提升生成模型自训练 09-30 iSDFT：面向大模型持续学习的信息近端自蒸馏 09-22 吸引与排斥教师：解耦自蒸馏中的正确性与行为 09-21 负向自蒸馏：通过规避缺陷学习推理 09-11 重新思考大语言模型的在策略蒸馏 II：单样本训练 09-07 RISE：基于自外推策略蒸馏的递归改进 09-07 面向可控安全拒答的边界感知自蒸馏 09-07 无监督同策略自蒸馏 U-OPSD 08-12 自训练 1 CMU 提出自我奖励训练 SRT：大模型能否实现无标签自训练？ 05-27 自进化 5 R-Quest：以有效性与新颖性反馈维持推理模型自进化 10-09 超越人类监督扩展大型推理模型：通往超级智能的路径 09-01 动态反馈推动智能体持续自我优化 12-31 ML-Agent：7B智能体仅用9个任务训练实现自主机器学习工程 06-23 多数投票驱动的推理模型迭代式自我训练 02-03 自进化框架 2 MIT 提出自适应语言模型框架 SEAL 09-25 HarnessBank：面向 Agent-Harness 自进化的语义基因库 08-11 自适应 1 自适应语言模型（SEAL） 06-12 自适应引导 1 自适应引导加速推理模型的强化学习 06-19 自适应推理 1 推理混合：教大型语言模型使用自适应策略进行推理 07-01 蒸馏坍缩 1 一个症状、三个杠杆：在策自蒸馏批判性综述 08-27 蛋白质建模 1 学习蛋白质折叠能否泛化至更广泛推理？ 10-01 行为耦合 1 语言模型中的行为耦合：形成机制与行为涌现 10-19 表征对齐 1 何恺明改进 REPA：大幅简化方法并保持强劲性能 06-13 规则推理 2 InterPact：验证规则决策中的关键证据 10-01 RuleReasoner：通过领域感知动态采样强化规则推理 06-12 规模扩展瓶颈 1 Orion性能未达预期，三大瓶颈制约模型扩展 12-31 视觉推理 10 ChronoReplay：异构时序回放缓解空间 VLM 接口锁定 10-29 SpatialASM：将主动空间心智化内化至视觉语言模型 10-18 NAT-ARC：自然图像预训练迁移至ARC视觉推理 10-08 NAT-ARC：自然图像预训练迁移至ARC视觉推理 10-01 SpatialSpeak：融合局部与全局重建的空间思维链推理 09-29 PixelJev：从文本决策到像素级视觉选择 09-26 SpatialBlock：合成积木堆叠任务增强 LVLM 空间智能 09-13 ViLaSR-7B：通过“边画边想”学习人类式空间推理 06-23 SynthRL：以可验证数据合成扩展视觉推理 06-04 SynthRL：通过可验证的数据合成扩展视觉推理 06-03 视觉模型 2 WeVisOne-VL：统一物体级与像素级视觉感知 10-24 Marigold V2：扩散 Transformer 单目深度估计 09-10 视觉生成 1 GoT-R1：强化学习解锁多模态视觉生成推理新范式 06-26 视频生成 9 FCP：面向未来演化建模的自回归视频生成 10-23 SolarRenderer：四步结构条件视频渲染 10-22 SGF+：解耦梯度流的长时自回归视频生成 10-09 Kandinsky 6.0：同步音视频生成基础模型 10-08 Mask Forcing：双噪声掩码改进自回归视频扩散蒸馏 09-10 DreamX-Creator：普惠化原生 2K 音视频联合生成 09-02 LayerRecall：提升视频生成长时域一致性的状态条件记忆路由器 09-01 向量化时间步：极低成本微调大规模预训练视频扩散模型 06-20 稀疏蒸馏实现 H200 单卡 5 秒生成视频，去噪提速 70 倍 05-19 认知推理 1 Bongard：训练机器直觉的开放权重 System One 模型 10-01 训练优化 1 两篇 ICLR 论文破解强化学习的两个关键难题 07-18 训练归因 1 训练期间模型行为的可扩展归因与控制 09-29 训练框架 1 面壁智能发布 AI 编写的大模型预训练框架 ForgeTrain 08-07 训练范式 1 ORBIT：时间序列基础模型的可控训练范式 08-16 训练配方 1 字节跳动 Seed 开源强化学习配方 POLARIS，4B 模型数学推理接近 235B 模型表现 07-17 评测基准 2 LIFT：基于分区约束的指令遵循评测与训练 10-22 ArchitectureIQ：衡量模型训练直觉 10-01 评测审计 1 BehaviorTrace：在线强化学习训练数据归因的局限 10-08 语音增强 1 SNOAR：无需干净参考的自训练语音降噪框架 10-18 课程学习 5 拉马克驾驶学校：以进化竞争发现自动驾驶训练策略 10-09 Frontier Learning：在能力边界训练大模型推理器 09-30 IV-EWC 缓解数学推理课程学习中的灾难性遗忘 09-29 合成任务扩展训练大模型进行小分子设计 09-07 PAC：面向大模型多任务强化学习的进度增强优势课程 09-01 负向微调 1 NFT：利用隐式负向策略提升数学推理能力 06-23 资源图谱 1 LLM强化学习环境与开源训练框架资源图谱 12-31 超参数迁移 1 MoE 大模型的计算高效超参数迁移 08-24 跨模态对齐 1 LIFT：冻结LLM文本编码器，准确率超CLIP 11% 07-03 软件工程 1 SWE-Flow：以测试驱动方式合成软件工程数据 06-12 过程奖励模型 3 SPRING：SMT 求解器引导的逻辑推理过程奖励 09-30 SPRO：使用掩码步骤优势进行自我引导的过程奖励优化 07-02 SPARE：基于参考引导评估的单次过程标注框架 06-23 进化安全 1 Self-evolving Agents 并非总是良性：警惕智能体“错误进化”风险 12-31 进化研究综述 1 97页综述：现代 AI Agent 的自我进化体系 08-12 连续推理 3 连续潜空间扩散推理：Latent Flow Reasoning Models 09-30 扩散课程训练实现无时间步迭代推理 09-02 SynAdapt：利用合成连续思维链实现高效自适应推理 08-05 选择性蒸馏 1 CROP：基于反事实任务相关性的选择性在线策略蒸馏 08-16 递归自我改进 42 超衍智能发布35B自进化模型 Apex-35B-V1.0 10-29 超进化智能获数亿元天使轮融资，研发递归自我改进研究基础模型 10-29 RKI：状态感知的递归知识改进框架 10-29 OXR 1.3B 开源：文档解析三榜第一并引入 RSI 训练 10-29 AREX-2以长程反思训练探索递归自我改进 10-27 RSI，正在重走深度学习的老路 10-25 Mirendil与Recursive发布RSI自动化研究成果 10-24 LM2LM：语言模型学习改进语言模型 10-19 近期自进化 RSI 工作总结与点评 10-18 MASS：多智能体自监督驱动递归自我改进 10-18 RSI：LLM 递归自我改进算法全景解析 10-18 RSIGym 开源：联合迭代模型权重与 Harness 的 RSI 研究环境 10-18 MASS：通过多智能体自监督实现递归自我改进 10-09 RSR：递归自我重写扩展复杂任务执行轨迹 10-08 LegoFlow：智能体自主完成代码数据、训练与评测全流程 10-08 RSIGym：灵活的递归自我改进研究环境 10-08 RSI-Jev：AI Agent 自动研究并迭代 Jev 模型 10-01 RSIGame：递归自我改进的自主智能体游戏开发 10-01 Naive AI 开源 AI 研发模型 Naive-N0.5-Flash 09-30 COEVO：上下文与参数协同演化的递归自我改进 09-29 小米开源 MiMo V2.6：大规模混合任务 RL 推进 RSI 09-24 EvoAudio：音频理解的递归自我改进 09-24 9月四篇RSI论文：从自主性阶梯到元递归调度 09-23 Qwen4启动训练，阿里公布10万亿参数模型路线 09-22 递归自我改进（RSI）科普综述：从自我改进到递归增益 09-21 超衍智能融资近4亿元，押注基模层递归自我改进 09-17 Frontis-MA1：面向机器学习工程的递归自我改进 09-17 云知声发布U2-Flash，以后训练闭环探索国产RSI 09-17 MetaRSI：协同进化数据、Harness 与模型的自我改进框架 09-16 StartLux 探索本地模型的递归自我改进 09-16 StartLux探索本地模型递归自我改进 09-16 MetaRSI-v1：协同优化数据、模型与 Harness 的递归自我改进系统 09-15 智谱融资335亿元，60%投向GLM与RSI研发 09-14 Google DeepMind RSI 模型传闻与迭代信号 09-14 智谱披露下一代 GLM“完全自训练”体系 09-14 智谱披露 GLM-6.0“完全自训练”递归改进路线 09-14 智谱获50亿美元融资，加速下一代GLM递归自我改进 09-14 传 Google DeepMind 以 RSI 推动 Gemini 4 自主迭代 09-13 NeoHorse-1：路由脚手架驱动的智能体后训练与递归自我改进 09-10 MetaRSI-v1：统一元递归自我改进架构 09-09 Awesome RSI：递归自我改进定义与分类 09-08 iCoder：AI 主导开发 27B 工业代码模型 09-02 通用推理 1 RLPR：无需验证器将RLVR扩展到通用领域 06-28 逻辑评测 1 SATQuest：用于逻辑推理评估与微调的验证器 12-31 采样控制 2 GRPODropout：筛除部分 Rollout 改善在线强化学习 10-09 后训练中的锐化税：单次准确率与解法覆盖率的权衡 10-08 量化感知训练 1 SageAttention3：FP4 量化加速注意力并探索 8 比特训练 06-19 错误反思 1 LEMMA：用“错题本”反思学习提升大模型数学推理能力 06-19 长期记忆 7 Deep Fusion Memory：分块级参数化记忆 10-24 MemT 1.0：近300B参数记忆原生模型补齐RSI记忆拼图 10-20 SchemaMem：图式索引递归记忆架构 09-29 MemSuit：以效用意图为导向的记忆摘要 09-29 JitMem：面向 LLM 智能体的即时任务自适应记忆策展 09-24 激活记忆与参数记忆在少样本学习中的互补作用 09-24 持续学习机制组合提升长时程记忆 09-17 长程任务执行 1 ProgramGym：扩展训练环境，培养长时程程序复现智能体 10-18 闭环自进化 5 LegoFlow：智能体自动化代码数据构建与训练评测 10-27 选择不是学习：自进化模型的继承决策 10-18 Qwen-Planner-Agent：真实世界移动规划智能体的闭环 AI-for-AI 框架 09-26 Mind Lab推出自迭代后训练平台Mint Recursive 09-24 Astar：从演化历史学习并指导 AI 系统闭环进化 09-14 问题定位 1 ToolTrain：面向代码问题定位的两阶段工具集成训练框架 12-31 间隔重复调度 1 SRT：面向语言模型持续预训练的间隔复习 08-19 隐私风险 1 微调方法对大型语言模型中记忆的影响 06-30 音乐生成 2 YuE2：统一符号规划与音频音乐生成 09-30 StepAudio 3 Music：支持显式规划的长篇音乐生成模型 09-17 音频理解 1 小米开源 MiDashengLM-7B，声音理解能力刷新 SOTA 12-31 预训练 12 像素语言模型的多语言预训练扩展规律 10-22 平行数据驱动的多语言两阶段预训练 10-22 Brain2Vec：结构脑 MRI 自监督三维基础模型 10-22 学习潜在多表征实现先验数据拟合关系模型 10-19 顺序预训练更有利于大模型 10-08 合成预预训练可扩展，但并非源于语法先验 10-01 Tactile-JEPA：拓扑感知的触觉自监督表征学习 09-29 解耦自回归预训练中的 Token 目标与上下文角色 09-29 覆盖率原则：预训练如何赋能后训练 09-14 预训练知识获取：辅助视图提升大模型学习效果 09-07 强化学习也能预训练？潜在意图与流匹配带来最高20倍提升 06-30 「Next-Token」范式改变：强化学习预训练来了 06-12 预训练对齐 1 Synthetic Persona Pretraining：从首个 Token 开始对齐 08-16 领域微调 1 ICML 2025 Spotlight｜清华朱军组与 NVIDIA 提出 DDO，革新扩散与自回归模型训练 07-02 题目生成 1 通过联合叙事与难度控制推进问题生成 06-11 验证器模型 1 CompassVerifier：3B验证模型与多领域高难度基准 VerifierBench 12-31 高效探索 1 字节跳动与MAP提出FR3E：以结构化高效探索提升大模型强化学习上限 12-31
