Noam Brown 发了条短推，说两年半前大家还在卷 GSM8K 小学数学基准，现在早就没人提了，可读一下感受下节奏。
Noam Brown 在 X 上发帖回顾，2.5 年前 AI 实验室还会用小学数学基准 GSM8K 展示自家前沿 LLM 的成绩。如今 GSM8K 早已饱和，不再是衡量前沿能力的指标。他借此感叹两年半时间里模型能力的跃迁速度。
Only 2.5 years ago, AI labs would highlight 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.
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。
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。
