RL - 标签 - lilfry's library

RL

2026

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

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

读 Qwen Bebop 与 DeepSeek DSpark：Speculative Decoding 正在从技巧变成系统工程 07-11

读 MOPD：后训练正在从单一 RL 走向多教师能力合并 05-05

读《Reasoning with Sampling》：RL 没让模型变聪明，它只是在重分配推理能力 04-07

读 OLMo 3：真正重要的不是新架构，而是训练信号 04-06