Shazeer 发推感慨：2.5 年前大家还拿小学数学题 GSM8K 吹模型，现在早不够看了，两条对比很直观。
Polymath AI 的 Noam Shazeer 发帖回顾，2.5 年前各 AI 实验室还会用小学数学基准 GSM8K 上的成绩来宣传自家前沿 LLM。GSM8K 曾是衡量模型推理能力的标志性基准，如今已被更强的数学与推理评测取代。他表示期待再过 2.5 年模型能力会到什么程度。
Only 2.5 years ago, AI labs would brag about their frontier LLM performance on grade school math benchmarks (GSM8K). I can't wait to see where we'll be in another 2.5 years.
LLaDA-8B 上的研究，教你训练一个 856K 参数的小策略，让扩散语言模型解码更快更准，还能迁移到 Dream-7B。
Owning the training loop means you can plug in custom reward functions and non-standard objectives that managed fine-tuning endpoints typically block. ML engineers experimenting with RLHF or GRPO variants can test them on AWS-managed capacity instead of renting and configuring GPU clusters. Compared with fully managed fine-tuning APIs from OpenAI or Google, this trades convenience for loop-level control.
一篇扩散语言模型论文，把 Self-Conditioning 从辅助技巧升级成整套生成框架，GSM8K 上 42.2% 对 34.5%，还把 Duo 微调后翻快三倍，做生成模型研究的可以看看。
论文测了在固定 token 预算下怎么让模型真的把答案交出来，Qwen3-4B 和 DeepSeek 蒸馏版各涨了 8 和 7 个点，做推理部署的可以看看。
有人把推理过程画成图来做自反思，MATH 上比普通反思高 12 个百分点，还不用训练，搞 QA 的可以看看。
