后训练

推荐理由：这篇论文测试了智能体能否训练其他智能体，发现它们在第一步就锁定了策略，后续改进效果有限。作者尝试了三种方法，但智能体仍缺乏在执行中重新考虑策略的能力。

推荐理由：智谱用同一个756B基座靠后训练把GLM 5.3调强这么多，DeepSeek V4 Flash 304B参数就干翻GLM 5.2，后训练真值得琢磨。

推荐理由：Harvey把Nemotron 3.5 Lightning后训练了一把，法律Agent评测从0冲到8.3%，比Opus 4.6还强，输出也从90k缩到37k，省Token。

推荐理由：Trajectory 一键后训练 Nemotron 3.5 Lightning，测试冲到 8.3% 超 Opus 4.6，小模型按客户定制能落地。

推荐理由：想自己微调模型又没大显卡？这份教程教你在 16GB 显存上跑完 SFT、DPO、GRPO 全流程，用的还是 AllenAI 的开源框架。

推荐理由：Nathan Lambert 出书讲 RLHF，还配了 13 讲免费课和 PPT，零基础也能跟着学，想入门后训练可以看看。

推荐理由：AI工程师大会正在播后训练专场，9场演讲聊透奖励怎么塑造模型，有Hugging Face和MiniMax的人，想学训练别错过。

推荐理由：这篇论文展示了如何在华为Ascend芯片上高效后训练万亿参数模型，并且通过运筹学专用微调，在特定任务上超越了GPT-5.4-Mini。

推荐理由：MindLab用Macaron-V1在64块GPU上训出748B模型，比传统RL省资源，适合想低成本强化大模型的人

推荐理由：想快速定制Cosmos 3？NVIDIA的TAO Agent Skills教你一天搞定后训练，适合开发者上手。

推荐理由：Meta为了新模型，居然让几千人停下手头工作去搞人工标注，可见高质量数据比算力还稀缺。想了解前沿模型训练的内幕？听听CTO怎么说。

推荐理由：Arav Srinivas说要在美国用B200s跑Nemotron 3 Ultra后训练，让美国开源模型追上对手进度。

推荐理由：做 LLM 后训练的团队终于有了 vLLM 生态内的 RL 框架选择——vime 简单稳定，直接可用，想尝试不同 RL 框架的开发者值得关注。

推荐理由：对于关注开源模型训练效率的团队，这个案例证明了 24 小时内就能让开放模型达到前沿水平，值得研究其训练流程。

推荐理由：做模型对齐和偏好优化的团队终于有了数据层面的诊断工具——不用再盲目调奖励权重，直接看数据教了模型什么。做安全对齐或模型人格定制的开发者建议点开，能省下大量试错时间。

推荐理由：做合成数据后训练管线的团队会感兴趣——这篇论文用实验证明了来源证据门控和适应性恢复策略能显著提升数据质量，比简单重采样更高效，建议做数据筛选的开发者点开看看具体方法。