#GSM8K

arXiv 上这篇论文教扩散语言模型同时建模 token 和粗粒度聚类表示，H-CoBit 在 LM1B 上 GenPPL 比基线低 24.2 分，代码也放出来了。

SCB团队用103个数学问题测试了语音系统多轮推理能力，LEGO表现优于GPT-4o Realtime。

T-Router用不到0.5%的参数就让大模型推理能力提升近10个点，比LoRA和全参数训练都强。

一篇理论味很浓的 checkpoint 合并论文：证明信息论下界，给出达到 O(h^3) 最优误差的合并系数，还在 SmolLM3-3B 上做了实测对比。

一篇把扩散模型搬进推理赛道的新论文，LFRM 用 638M 参数在 GSM8K 拿到 63.74%，比同规模的连续扩散基线都强，搞生成范式研究的可以看看。

OpenAI做了关于大模型后训练的研究，能分析训练策略问题，和以前方法比效果不一样。

这篇论文给出了一套错配缓存审计法，对比LatentMAS、KVComm、C2C后发现，基准涨分不等于真在传潜在思维。

这篇论文教模型用自己脑内的几何结构来挑正确答案，不用额外奖励模型，在GSM8K和MATH上比原版ScPO高出4个多点。

这篇论文给扩散语言模型加了个策略梯度法子，数学推理和编程测试成绩都刷了新高，搞RL训练模型的可以看看。

这篇论文告诉你为什么监控量化的DeepSeek小模型不能用token概率，还给出了一个更靠谱的校准方法，真正提升了准确率。

这篇论文用Qwen3-14B和DPO实验证明，离线训练越保守，在线适应越容易翻车，还在GSM8K上给出了最优保守度公式。做RLHF的值得一读。

这篇论文用物理能量模型解释推理，让Phi-3.5在GSM8K上提了5.38%，思路挺新。

做LLM评估和推理优化的团队会关心——GSM8K的脆弱性说明基准测试可能高估了模型的真实推理能力，建议关注数值变化对模型泛化的影响。