共计 66 篇文章
2026
TTPO：多数票不可靠时，如何在测试阶段继续训练模型？
论文精读｜Code as Worlds：让 Agent 用可执行代码反推物理世界
Training Needs Trustworthy Worlds：先验证合成网站，再让 Web Agent 学习
Test-Time RL 全景：让模型在“考试时”用自己的答案继续学习
Bridging the Agent-World Gap：LLM Agent 文本世界模型全景综述
From Word to World：LLM 能否成为 Agent 的文本世界模型？
SPPO：把长程推理折叠成序列级上下文赌博机，单样本也能稳定做 PPO
主流基座模型技术报告横评：从 DeepSeek-V3 到 Kimi K3，两年里基模卷了什么
VC-PPO 详解：PPO 在长 CoT 上为什么崩？价值优化才是命门
论文精读｜Neural Computers：把计算、内存与 I/O 压进一个学出来的 runtime