Environment Evolution：让终端环境持续变难，怎样避免把任务改坏？ R-WoM：先查教程再想象，让电脑 Agent 在执行前比较动作后果 技术报告解读｜GPT-6 Astra：长程 Agent、对齐泛化与可监测性的矛盾 SOPD：不接管学生轨迹，如何用完整步骤修复 OPD 的碎片化监督？ RAGEN：多轮 Agent RL 为什么会崩溃？StarPO、Echo Trap 与推理退化 从早期深度学习寻找新思路：12 篇论文看 LLM 稀疏奖励与 Long Horizon PlanPhys：长程规划从哪里来？预训练、OPD 与多教师蒸馏的能力边界 Long-Horizon Agent 训练论文地图：20 篇工作、七条路线与一个完整训练例子 长程 Agent 为什么越训越差？Horizon Length 实证研究与两种缩短训练跨度的方法 2026 年大模型 PPO：前沿进展、主流范式与论文地图 More...

Veto 论文精读：让学生参与构造蒸馏目标，为什么有效、又有什么代价？ 推理为何集中在低维流形？理解 LLM 的几何诊断与证据边界 ParamMerge 研究路线：从参数平均、Task Arithmetic 到多专家能力合并 VG-OPD：谁有资格教哪个 token？验证器门控的多专家蒸馏 什么是 Looped Transformer：用共享层增加计算深度，从原理到推理 Infra 从大模型 Infra 到 Agentic RL Infra：系统地图、关键原理与实操学习路线 技术报告解读｜GPT-6 Astra：长程 Agent、对齐泛化与可监测性的矛盾 从 CPT 到 Agentic CPT：大语言模型持续预训练研究综述 AgentFounder：用继续预训练扩展 Agent 能力，FAS 与 HAS 如何把经验变成训练数据 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 More...

NGU：把强化学习算力留给难题，为什么还要锚定正样本？ 从早期深度学习寻找新思路：12 篇论文看 LLM 稀疏奖励与 Long Horizon 2026 Long-Horizon Agentic RL 与细粒度奖励：两条主线、一个交叉问题 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 EFCA：把环境反馈变成多时间尺度信用——长程 Agent 的轻量 return 重加权 TRIAGE：给 Agent 动作标注语义角色——修正成功中的倒退与失败中的探索 Success Visitation Matching：用成功/失败访问比把稀疏奖励变成稠密过程奖励 G2PO：把多条 Agent 轨迹合成状态图——用全局边增益分配长程信用 VIMPO：策略本身就是隐式价值函数——无 critic 的 Bellman 信用分配 FlowTracer：把注意力变成守恒信息流——定位通向答案的 token 推理骨干 More...

Environment Evolution：让终端环境持续变难，怎样避免把任务改坏？ SETA 论文笔记：把终端环境当作需要验证的奖励程序 Agent-World：按 Agent 的失败原因，持续生成下一批训练环境与任务 AWM：让大模型造出可执行的世界，再用它训练 Agent 从 CPT 到 Agentic CPT：大语言模型持续预训练研究综述 AgentFounder：用继续预训练扩展 Agent 能力，FAS 与 HAS 如何把经验变成训练数据 Training Needs Trustworthy Worlds：先验证合成网站，再让 Web Agent 学习 AgentInstruct (Orca-3)：用 agentic 流做生成式教学，25M 对合成数据 ToolACE：工具调用数据的自演化合成与双层验证 AgentOmnia：双向环境-任务合成 + PRD 自演化，全场景 agentic scaling More...

R-WoM：先查教程再想象，让电脑 Agent 在执行前比较动作后果 DynaWeb：先学会预测网页变化，再让 Agent 在想象中做强化学习 Agent-World：按 Agent 的失败原因，持续生成下一批训练环境与任务 AWM：让大模型造出可执行的世界，再用它训练 Agent 从 VLA 到 WAM：具身基础模型的代表方法，以及与 LLM、推理和强化学习的交叉 从“会回答”到“会预演”：2026 年大语言模型世界模型的主流范式与前沿进展 论文精读｜Code as Worlds：让 Agent 用可执行代码反推物理世界 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？ 论文精读｜Neural Computers：把计算、内存与 I/O 压进一个学出来的 runtime More...

Environment Evolution：让终端环境持续变难，怎样避免把任务改坏？ SETA 论文笔记：把终端环境当作需要验证的奖励程序 从大模型 Infra 到 Agentic RL Infra：系统地图、关键原理与实操学习路线 DynaWeb：先学会预测网页变化，再让 Agent 在想象中做强化学习 Agent-World：按 Agent 的失败原因，持续生成下一批训练环境与任务 AWM：让大模型造出可执行的世界，再用它训练 Agent RAGEN：多轮 Agent RL 为什么会崩溃？StarPO、Echo Trap 与推理退化 Agentic-R：为 agentic search 训练检索器，用全局答案正确性反传 SAO: 面向智能体强化学习的单轨迹异步优化 论文速读｜Youtu-Agent：自动化构建 + 混合策略优化的 LLM 智能体框架 More...

DASH：自蒸馏如何利用分歧序列调整监督权重？从反向递推到真实梯度 SOPD：不接管学生轨迹，如何用完整步骤修复 OPD 的碎片化监督？ OPDVR：用答案正确性过滤蒸馏信号，如何把 OPD 与可验证奖励结合？ ICSD：当"老师可信"不等于"听老师的话有用"——给 On-Policy Self-Distillation 装上影响力校准 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 On-Policy Distillation：让学生在自己的轨迹上向老师学习

ParamMerge 研究路线：从参数平均、Task Arithmetic 到多专家能力合并 VG-OPD：谁有资格教哪个 token？验证器门控的多专家蒸馏 PlanPhys：长程规划从哪里来？预训练、OPD 与多教师蒸馏的能力边界 SMOPD 深度解读：多奖励强化学习的“先专门化，再蒸馏合并” Open-MOPD：诊断并修复多教师 On-Policy 蒸馏中的能力失衡 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

OPDVR：用答案正确性过滤蒸馏信号，如何把 OPD 与可验证奖励结合？ SMOPD 深度解读：多奖励强化学习的“先专门化，再蒸馏合并” 2026 年大模型 PPO：前沿进展、主流范式与论文地图 EFCA：把环境反馈变成多时间尺度信用——长程 Agent 的轻量 return 重加权 TRIAGE：给 Agent 动作标注语义角色——修正成功中的倒退与失败中的探索 论文速读｜OpenClaw-RL：用对话训练任意 AI 智能体

NGU：把强化学习算力留给难题，为什么还要锚定正样本？ 2026 年大模型 PPO：前沿进展、主流范式与论文地图 VC-PPO 详解：PPO 在长 CoT 上为什么崩？价值优化才是命门 GRPO 去掉 Critic Model 会带来哪些问题？ DAPO 与 GSPO 相对于 GRPO 的改进

Agent-World：按 Agent 的失败原因，持续生成下一批训练环境与任务 Synaptic Intelligence：沿训练轨迹衡量参数重要性，让神经网络少忘旧任务 AI 能否用自己的数据训练自己？从 NEON 到潜在能力再浮现 从静态大模型到终身智能体：LLM 持续学习与持续强化学习的主流范式 论文速读｜MetaClaw：让 AI 智能体在生产环境中持续进化

Jev 是什么：理解 TypeSafe 的 System One 决策模型 R-WoM：先查教程再想象，让电脑 Agent 在执行前比较动作后果 12-Factor Agents：构建可靠 LLM Agent 的十二条原则 Claude Code 国内使用指南

TTPO：多数票不可靠时，如何在测试阶段继续训练模型？ Test-Time RL 全景：让模型在“考试时”用自己的答案继续学习

从 VLA 到 WAM：具身基础模型的代表方法，以及与 LLM、推理和强化学习的交叉 从 LLM 到 VLA：机器人如何把语言模型接到动作空间｜相关工作与主流范式

Dream-RSI：把搜索历史变成可回放的世界，让 Agent 改进探索策略