Tag Archive

标签：RL

这里整理所有带有「RL」标签的文章，方便按主题快速回看。

RL

共 3 篇

论文精读 · 2026-10-22

TEV：用"先造世界再出题"造出第一份长时程 Agent 训练集，把稀疏奖励变成密集进度奖励

Adobe & UCLA 的 TEV 用"隐世界优先"合成方法构建了首个带密集进度奖励的长时程 Agent 训练集 TEV-GYM（1170 个环境、7 个领域），并用进度势能奖励塑形（PPRS）把 GRPO 在稀疏奖励下大面积"饿死"的问题修好了；27B 模型在 ALE-CM 上追平 GPT-6 Astra 和 Claude Opus 5 的 Pass@5。

LLM-Agent 长时程任务合成数据可验证奖励 RL reward-shaping GRPO latent-world

主题归档 · 2026-09-25

On-Policy Distillation（OPD）进展综述：大模型教小模型的「第三条路」

聚焦「大 teacher → 小 student」设定，系统梳理 On-Policy Distillation 从 2023 到 2026-09 的发展脉络、核心机制、最新进展与开放问题。

LLM distillation on-policy post-training RL 综述

论文精读 · 2026-06-10

Post-training is (Massive) Supervised Learning：后训练正在把 LLM 带回“大规模监督学习”吗？

这篇 position paper 认为，当前 LLM 的大规模后训练正在把评测分布变成训练分布；即使从随机初始化开始，只靠数学/代码 SFT 数据也能在对应 benchmark 上取得不低成绩，因此很多“推理能力”可能首先是分布拟合能力，而不是开放泛化能力。

LLM post-training supervised learning SFT RL reasoning meta-learning