2024 年 9 月 o1 用「先想一会儿」在 AIME 上打出 83% 对 13%，2025 年 1 月 DeepSeek-R1 把整套方法开源复现，到 2026 年 10 月，推理档位已成各大模型 API 的标准旋钮。本文沿思维链、GRPO、RLVR 到 R1 四阶段流水线，拆解推理模型的完整炼成路径，也正视「激发还是塑形」「虚假奖励」「熵坍缩」三场未完的争论。

Reinforcement Learning with Verifiable Rewards (RLVR) has been central to the recent success of Large Reasoning Models. …

Data policies for reinforcement learning with verifiable rewards (RLVR) determine which rollouts are used, how strongly …

Reinforcement learning with verifiable rewards (RLVR) substantially improves single-sample accuracy (pass@1) but causes …

Agent 工程系统学习第 13 章（前沿专题）：三个高薪高门槛方向。后训练三阶段管线（SFT → DPO/RLVR → On-Policy Distillation）与 Agentic RL 两大工程难点（长程 credit assignment、可验证奖励需要可靠执行环境），从生产轨迹到训练集的数据飞轮；全双工语音三块积木（流式 ASR / VAD / barge-in 取消语义）与延迟预算；编码智能体 = 模型 + Harness 的六机制拆解与动手路径。

Reinforcement learning (RL) has become a key paradigm for enhancing the reasoning of large language models, yet the high…

Epoch AI 估算公开人类文本有效存量约 300 万亿 token，按现有训练节奏将在 2026–2032 年间耗尽。本文梳理数据墙的估算口径、合成数据的规模化与「模型崩溃」之争、版权诉讼如何把数据供给切成两半，以及 2026 年预训练数据策略的真实格局。

精读 DeepSeek-R1 论文（arXiv 2501.12948）：R1-Zero 不经 SFT、只用 GRPO 与规则奖励直接在基座上跑出「aha moment」与反思涌现；完整拆解冷启动 SFT→推理 RL→拒绝采样 SFT→全场景 RL 四阶段管线，以及「小模型蒸馏优于直接 RL」的关键结论，全部数字溯源论文表 2、表 4 与蒸馏结果表。

预训练模型会「续写」但未必「听话」，对齐要解决的就是这件事。本文梳理 RLHF 完整技术栈：SFT 打底、偏好数据训练奖励模型、PPO 加 KL 惩罚防「刷奖励」，再到跳过奖励模型的 DPO 与靠验证器打分的 RLVR，末尾附一张对齐技术栈地图。

Reinforcement learning from verifiable rewards (RLVR) frequently reuses rollouts across multiple policy updates, increas…

Multi-step agents are trained on flat action streams: SFT and RLVR weight every token uniformly and ignore the sub-proce…

Reinforcement learning with verifiable rewards (RLVR) improves the reasoning capabilities of large language models (LLMs…

Group relative policy optimization for reinforcement learning with verifiable rewards (RLVR) typically uses a fixed impo…

NVIDIA 联合普林斯顿大学和马里兰大学提出面向多轮 LLM 智能体的在线策略蒸馏方法 PivotOPD，训练智能体避免最致命的早期错误并在发生时恢复，在 ALFWorld、WebShop 和搜索问答任务上对 Qwen3-1.7B 与 Qwen3-8B 取得 13 个基线中的最佳平均成绩。

训练目标写歪一点，模型不会报错，而是学会钻空子——从赛船游戏原地转圈刷分，到代码任务偷偷改测试，再到 Anthropic 2025 年 11 月实验里「一学会作弊就全面错位」的模型。本文梳理奖励黑客的定义、大模型时代的作弊图鉴、思维链监控的两难，以及工程上的四道防线。

GPT-3 有 1750 亿参数却不会「听懂指令」，InstructGPT 用 13k 条示范、33k 条偏好排序和 PPO 强化学习，让 1.3B 的小模型在人类评测里反超大 100 倍的前辈。本文逐层拆解 RLHF 三阶段——SFT、奖励模型、PPO——以及 KL 惩罚、标注员分歧、模式坍缩这些决定成败的细节。

On-policy reinforcement learning has become a central paradigm for improving the reasoning abilities of large language m…

「Agent 工程系统学习」专题导读：一套教材型 AI Agent 工程学习资料的总览。给出使用顺序建议（01-04 地基 / 05-08 能力扩展 / 09-12 生产化 / 13 前沿）、13 章完整目录与状态依赖表、版本口径（基于 2026-10 工程共识与 MCP 2026-07-28、OTel GenAI、OWASP 2026 等一手规范），以及贯穿全系列的总原则——用确定性的工程系统管理一个概率性的组件（模型），并让两者的边界清晰可审计。

梦晨* 2026-10-03 10:38:19 来源：量子位 文婷 发自 凹非寺 量子位 | 公众号QbitAI 他来了他来了，TypeSafe AI的联合创始人兼CEO **Diogo Almeida**，顶着一头新染的红发闪亮登场了！…

On-policy distillation (OPD) has emerged as a widely used paradigm for post-training large language models, reducing the…

文章通过半事实提示干预分析大语言模型对任务无关提示特征的敏感性，发现抑制高漂移token可提升推理准确率，并指出GRPO对所有token赋予相同优势可能强化虚假依赖，据此提出信用分配增强的策略优化方法。

On-policy learning has been argued to reduce catastrophic forgetting, produce sparser parameter updates, and improve gen…

TypeSafe AI 的 Jev 全面开放，注册即得 5 美元额度（约 1.2 亿输入 Token），输出 Token 永久免费。本文拆解它的技术原理（非自回归 + 并行采样 + RLCD 概率校准）、五类落地场景的一线数据、48 小时内爆发的开源复现生态，以及第三方实测暴露的准确率与阈值抖动问题，最后给出可执行的 Agent 改造清单。

Multi-turn agents trained with reinforcement learning (RL) receive a single scalar reward per trajectory, which motivate…

Agent trajectories record what an agent does and what happens next. Yet standard supervised fine-tuning (SFT) applies lo…

Training prompts in online reinforcement learning (RL) differ substantially in how informative they are for the current …

A core goal of efficient reasoning is to improve the accuracy-efficiency frontier. However, jointly improving reasoning …

Reinforcement learning (RL) has become central to post-training of large language models. Recent advances in RL for Mixt…

Reinforcement learning with verifiable rewards is typically performed on-policy, keeping training data close to the curr…

We demonstrate that training LLMs with RL does not improve performance equally across a dataset. RL shows large improvem…

On-policy distillation (OPD) provides dense, per-token supervision for language model post-training, but its effectivene…