全部动态

想提升数学推理模型？SKALD 把技能蒸馏进权重，比 GRPO 最高涨 12 分，还不用改推理时的输入。

想知道开源模型在金融领域到底行不行？这份基准测试用数据说话，Kimi K2.6和GLM 5的表现可能会让你意外。

这个新框架TRIAL能让智能体强化学习更高效，在多个任务上超过GRPO，成功率提升近19个百分点，搞RL的可以看看。

不需要标注和外部反馈，U-OPSD靠投票让Qwen3数学成绩再涨一截，追平甚至超过OPSD和GRPO。

它用答案倒推给搜索智能体每一步打分，4B模型在BrowseComp上拼到55.3%，能对标30B模型，值得看方法。

Skill Entropy能测出模型切换推理技能的短板，还能当训练信号：Qwen3小模型得分从34%飙到68%，也能用在OpenR1-Math数据上。

符号回归老被单一大模型提示词卡住，这个A-SR让不同智能体分工盯不同失败信号，准确率从25%拉到48%，还开源蒸馏路子，值得看一眼。

SWD用不到1%数据就能达到Transcoder的保真，GPT-2、Qwen2.5都能跑。

同系列模型切换总得重新预填充？这篇用线性映射传KV缓存，能省2.7到25倍时间，四对组合还保住九成以上准确率。

医学影像领域的小伙伴可以看看这篇，CARE-X 把胸片分类、定位、报告生成整合到一个模型里，还靠工具调用做解剖测量，临床实用性比纯生成模型强不少。

这篇论文把教学策略拆成13种，用260段真实对话和3.2万条标注训练出TACTutor，在78个测试场景比基座涨了20%，盲测还赢过商业模型。

这篇论文在Qwen3-32B上找到了时间偏好的内部方向，用对比激活加和就能双向改变模型选短期还是长期，还能顺带提升规划能力，挺有意思。

这篇论文搞了个叫ASD的投机解码改进，不用重新训练就能提速，实测吞吐最高涨15%，代码也开源了，跑推理的可以看看。

想解决城市服务碎片化问题？这个框架把LLM和代码、API、MCP接起来，跑通跨系统任务，成功率比最强基线高10个点。

TCPO把验证器分数拆成每一步的信用，让模型知道哪个回合真正有用，在数学、代码和Agent任务上都有效果。

MedUPS 用强化学习教模型在罕见病例中预测下一步决策，三个开源模型准确率都提升了，数据集和代码已开源。

这篇论文实测了三个本地模型在 OSWorld 上的推理时扩展，发现多算不一定提升成功率，反而换着花样失败。做本地 CUA 部署的可以当避坑参考。

ReToken用一个小token当检索目标，从KV缓存里挑关键视觉token，Qwen3VL-8B在Visual Haystacks涨13.4分，单卡H100就能跑。

想把纯图片的Incidents1M变成图文对？这篇用Qwen3.5做生成和验证，10万条描述加自动打分，干活靠谱。

专门测希腊语变格的基准，500道题验证模型是不是真懂语法规则，Sophea-Genesis-1拿了头名，权重还开源了。

修Lean证明蓝图？这个接口用类型化编辑，比源码补丁省30%、比重写省一半，1万token内就顶到上限。

MindForge 教小模型从零写完整软件，不用源码只用可执行文件和文档就把 Qwen3.6-27B 在 ProgramBench 上提升了 11.53%，跟大模型差不多。

这篇论文用LLM自动调PID参数，小模型Qwen3-0.6B调参成功率94%，比大模型还稳。

这篇论文提出了一个很聪明的改进：当学生模型推理跑偏时，让老师模型短暂接管一段，再交回学生继续训练。在Qwen3小模型上效果明显，数学推理准确率提升，训练还更快。

想用LLM做实体匹配？这篇论文用Qwen3对比了bi-encoder、cross-encoder和生成式三种架构，告诉你不同场景选什么最靠谱，还公开了代码和实验数据。

论文用Qwen3-8B做实验，发现KV缓存里的事件行能独立保存计算视图，主动构造回答无关事件能让恢复率从6%跳到51%，对搞Agent记忆的人很有参考价值。

论文用实验数据揭示了一个反直觉现象：学生在模仿老师时，67%的token在“同意但失败”，说明局部蒸馏有盲区。做模型蒸馏的朋友可以看看这个诊断方法。

这篇论文提出了VCSD，不需要外部老师就能让多模态模型自己教自己，在Qwen3-VL上几个规模都涨了4-5个点，而且不增加推理成本。

这篇论文提出了WML方法，能精准定位Agent工作流失败节点并复用外部技能知识，在SpreadsheetBench和Compiler-Supported50上表现亮眼，比直接SkillAgent省不少token。

别总盯着大模型花钱了，用Qwen3-4B和Foundation-Sec-8B组队就能干翻GPT，这篇论文给了具体方法和数据。

Qwen3.5用强化学习学会在污染检索中挑有用证据，成功率从22%提到26%，还不掉通用分。

这篇论文用软前缀测试了三段论推理，发现模型答案很容易被带偏，Qwen和Gemma的稳定性差异很大，值得做推理研究的读一下。

这篇论文把拟人对话的生成、评测和奖励对齐做成闭环，Qwen3.6-27B微调后严格准确率39%，比基线高一大截。

这篇论文用Qwen3-8B做了AppWorld上的合并vs联合训练对比，发现合并效果不输联合训练，而且解释了为什么不同合并方法结果差不多。

想解决Agent长程任务奖励稀疏问题？看TRACE方法，无需额外批评器，用TD变化给每步打分，Qwen3在BrowseComp-Plus上从7分直接跳到35分。