全部文章- lilfry's library

全部文章

2026

读 Selective DPO：偏好数据为什么不是越难越好 10-30

为什么大模型会陷入重复：从 High Inflow 到结构性循环 10-30

KV Cache 优化地图：从丢 Token 到跨层共享 10-30

读 OPUS：数据选择为什么必须看优化器真正走的方向 10-29

GRPO 训练 DeepSeek-V3 的数学能力：从 rollout 到参数更新 10-10

坐标谱优化器：用动量学习 PSGD 坐标，再做部分 Muon 谱校正 09-22

397B Agent RL 到底怎么跑：从 MCP trajectory、TITO token trace 到 Fully Async GRPO 09-02

Oak Lab：从经验学习到实时智能的技术路线 09-02

Looped Transformer 不只是重复计算：从 LoopFormer 到 Elastic-Depth Post-Training 08-18

《蝙蝠侠：黑暗骑士》：也许算是影评的东西？ 08-14

蒸馏不只是压缩：从 Self-Distillation 到 Search Distillation 的研究地图 08-09

读 SFT、RL 与 On-Policy Distillation：后训练真正的变量是 on-policy data 08-09

FullStack-Agent：全栈 Coding Agent 的训练与评测数据是如何构造的 08-06

AgentENV：为 Agentic RL 规模化运行可分叉的沙箱环境 08-05

线性注意力从头到尾讲清楚：从注意力矩阵到可递推状态 07-28

训练模型的长程软件工程能力：从 SWE-Marathon 到 FrontierSWE 与 SWE-Together 07-20

SWE Agent 数据与评测版图 07-14

Coding Agent 最新论文与工程调研 07-14

异步 RL：用 Policy Staleness 换掉全局 Barrier 07-13

R3 和异步 RL：强异步 MoE 训练中的 routing replay 问题 07-13

1
2
3