#凸优化

这是篇关于优化算法的论文，研究如何更高效地求解一类凸优化问题，对理论研究者可能有参考价值。

这篇论文研究的是凸优化理论，对于数学和计算机科学领域的研究者来说，如果他们关注优化算法的理论基础，可能会觉得这篇论文很有价值。

这个研究挺有意思，作者解决了RL在对抗环境下的风险认证问题，方法上用了φ-散度松弛，还改进了训练参数的选择，结果也比风险中性训练好。

这个新方法LiL-Q用凸优化替代了PINNs的非凸训练，收敛快、参数少，在Navier-Stokes等难题上效果拔群，值得关注。

HullFT 解决了测试时微调中检索和微调的双重瓶颈，做 LLM 推理优化的开发者可以直接尝试，能显著提升效率。

分词是NLP的基础环节，贪心算法长期占据主流——ConvexTok用凸优化给出了可证明接近最优的方案，做分词器优化或语言模型预训练的团队值得关注。