#GRPO

训练完 RL 模型想追查是哪条数据教会它某个行为？这篇直接证明现有归因方法大多被梯度大小和流畅度这类干扰项骗了，还给了套评测清单。

这篇论文把 RAG 从'检索'升级成'主动算证据'，RouterLM 用 Qwen3.5-9B 就打赢了 Gemini 3.5 Flash，做 RAG 的可以看看思路。

教你在 MCP 环境里用小模型逐条校验 Agent 的每次工具调用，用了 GRPO 加微调，安全审计方向可以看看思路。

SCAPO算法通过半事实稳定性改进了令牌级信用分配，在数学和分布外基准上表现优异。

论文提出解耦冷却采样器的方法，解决了RL训练中采样器与学习器不同步导致的性能退化问题。

FastRL框架能提升GRPO训练速度2倍多，准确率提升1.64%，代码已开源。

HDL方法让强化学习更高效，用更少计算量获得更好结果，特别适合智能体训练。

这篇论文发现推理链里大部分 token 其实是废话，压掉 76% 还不掉分，预算紧张的话值得看看他们的做法。

arXiv 上这篇 TIDE 讲怎么让小模型智能体训练时先跟老师学、再靠自己 RL 变强，比固定混合比例的做法更灵活，做智能体训练的可以看看。

Qwen3.5-4B 只靠写复盘解释做微调，不用奖励模型就在 SWE-bench 上跑赢 GRPO，做智能体训练的可以看看这套 ROFT 流程。

这篇论文教模型“跳出常规”做科研构思，方向多了近三成，原创性涨 66 分，做科研的人可以看看怎么让 LLM 帮你想点子。

用 Qwen2.5-VL-3B 在 PMC-VQA 上做了严谨对照实验，发现答案准确率涨了，模型可能反而不看图了，做医疗 VLM 微调的都该看看。

教小模型做数学题的新训练方法，把教师模型的逐token提示和答案对错验证揉进一个GRPO更新里，Qwen3-1.7B和4B都涨了不到1个点，做RL训练的可以看看细节。

训练医疗问诊模型一直只会看最终诊断对不对，这篇给每个问题单独打分，连没问出口的问题也能学，比 GRPO 少问三分之一轮就赢了。

多人对话里模型总记不清谁说了什么，这篇给出双轨记忆方案，在 EverMemBench 榜单拿了最好成绩，做记忆系统的可以看看。

一篇把 LLM 强化学习里 credit assignment 讲清楚的论文，PACT 训练后在数学推理上比 GRPO 高 8.8 个点，搞 RL 后训练的值得看看推导。

有人把 DeepSeek-R1-8B 调教成会挑刺的审稿人：假定理不再硬证，AIME 分数基本没掉。

把现成开源代码库自动变成智能体 RL 练习题，MiMo-V2.5 训完 ProgramBench 涨了 17%。

研究人员提出ThinkPrior方法，通过离线锚点构建难度先验，解决了RLVR训练中的冷启动问题，显著减少了无效轮次。