共计 27 篇文章
2026
2026 Long-Horizon Agentic RL 与细粒度奖励：两条主线、一个交叉问题
Test-Time RL 全景：让模型在“考试时”用自己的答案继续学习
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
Agentic-R：为 agentic search 训练检索器，用全局答案正确性反传
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
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