共计 8 篇文章

---

2026

09-10

RAGEN：多轮 Agent RL 为什么会崩溃？StarPO、Echo Trap 与推理退化

09-01

2026 年大模型 PPO：前沿进展、主流范式与论文地图

09-01

2026 Long-Horizon Agentic RL 与细粒度奖励：两条主线、一个交叉问题

09-01

Training Needs Trustworthy Worlds：先验证合成网站，再让 Web Agent 学习

08-31

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

08-27

VC-PPO 详解：PPO 在长 CoT 上为什么崩？价值优化才是命门

08-17

Neural Thickets：预训练权重周围密集的任务专家

01-22

GRPO 去掉 Critic Model 会带来哪些问题？