共计 9 篇文章

---

2026

09-08

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？

09-01

2026 年大模型 PPO：前沿进展、主流范式与论文地图

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

08-20

VIMPO：策略本身就是隐式价值函数——无 critic 的 Bellman 信用分配

08-20

FlowTracer：把注意力变成守恒信息流——定位通向答案的 token 推理骨干

08-20

Temporal Scheduling for RLVR：信用不只分给谁，还要决定何时纳入哪些 token

08-20

SCRL：从推理链生成可验证子问题——让失败 rollout 也产生细粒度信用

08-20

DelTA：从隐式判别器到 token 级信用分配——方法、公式与完整数值推演