- GRPO 实践：读懂训练曲线，再排查不稳定
- 从答案验证器开始，学习推理模型的训练与评测
- 用一个小世界模型学习：为何预测准确仍会被策略钻空子
- 把代码分布适应与审美偏好拆开学习
- 沿一条真实轨迹读懂 Agent 后训练
- 科研 Agent 跑了许多实验，结果真的算创新吗？
- Nathan Lambert：进展会很快，但会走向哪里？
- MASS：从团队轨迹训练模型，收益先出现在研究任务上
- TerminalHorizon：重建训练环境，把被预先做掉的工作还给 Agent
- BranchOPD：在有信息的分叉处采样，生成费用与总成本分开看
- AlphaNIST：二元奖励学会装配，结果仍限于仿真
- PreciseCoder 给必要修改计分，也检查正确代码会不会被改坏
- MAI-Base-2 的训练笔记：重复数据缩放与固定内存 MoE
- OmniVerifier-C1 把图像要求拆开计分；规则任务再提供参考终态
- 让 Agent 学会接棒：MPT 的启发与被放大的结论
- TrenTorch 的练习提醒：会讲 Softmax，还要会处理溢出和维度
- Timestral：让数值预测用上已知的未来条件
- Laminar flow-1：沿轨迹追查隐性错误，也暴露“没有轨迹”的盲点
- Interlock：把“改了这里，还必须改哪里”写进训练任务
- TorchTPU：兼容 PyTorch 之后，性能来自整步编译
- StopLoss：小模型决定何时停下，账单必须算入误停
- HarnessAdapt-RL：训练会改模型，也要重调工具
- WorldTUI：208 MB 的终端模拟器，暴露了局部准确率看不到的记忆
- Dessa 从语音本身学习对话，先展示同时听与说
- AISI 重放越界行为：说得出有害，仍可能继续行动
- FLORA 把机器人视频变成可用标签：做了什么，与做得怎样分开
- tinyworldformer：小模型能运行游戏，也会给玩家留下漏洞
- Sleep：把上下文里的短期经验转成参数中的长期知识
- Figma 的专用模型，学的是怎样改好已有设计
- Lambert 推荐的 RL 方法表：先看它纠正哪一种偏差
- Demoscener：先学会短代码，再学一个人的审美
- 直接改 0.016% 权重：先修复小模型的重复推理
- OpenHands × Snowflake：让模型在真正使用的工具循环里训练
- USDB：训练该重建模型当时看见的历史，而非事后补齐的历史