共计 66 篇文章
2026
SAO: 面向智能体强化学习的单轨迹异步优化
论文精读｜GLM-5.3：纯后训练 scaling 带来的涌现网络安全能力
PowerOPD：用有界幂变换稳定 On-Policy Distillation
SimpleOPD：跨tokenizer的长上下文推理蒸馏方法
论文精读｜GLM-4.5 后训练阶段详解：专家模型迭代与混合推理
论文精读｜Kimi K3 后训练阶段详解：三阶段范式与多领域强化学习
Neural Thickets：预训练权重周围密集的任务专家
On-Policy Distillation：让学生在自己的轨迹上向老师学习
12-Factor Agents：构建可靠 LLM Agent 的十二条原则
基模全流程：预处理、训练与推理使用