共计 17 篇文章
2026
VG-OPD：谁有资格教哪个 token？验证器门控的多专家蒸馏
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
NGU：把强化学习算力留给难题，为什么还要锚定正样本？
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
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？
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”