验证器决定哪些失败轨迹获得教师引导，按组难度加权，弥补GRPO盲区

把标准答案当临时脚手架，自适应提示加奖励门控蒸馏，破解RLVR奖励稀疏

强到弱蒸馏中，KL方向与学习率而非rollout策略决定性能、遗忘与更新稀疏性。

两个异构模型互换彼此全错提示上的同伴轨迹，等预算下GRPO平均多涨2.1分

用GUI-CLI混合轨迹与CLI感知奖励训练智能体，学会何时及如何使用命令行

三项改动稳定PPO评论家网络，三任务RLVR全面超越PPO与VAPO

把温度差变成可估计的探索收益信号，用JS散度做token级信用分配加速RLVR

用熵与优势符号耦合的EAPO，强化惊讶成功、纠正重复失败，保留失败响应的恢复路径

把训练-推理失配表示为对数几率位移，在位移坐标用单一阈值截断，比值上限随置信度自动收紧

开源八阶段后训练配方：SFT→可验证RL→Agent RL→RLHF，按奖励可靠性排序。

用贝尔曼方程把 PMD 改写为免评论员的轨迹级目标，AIME 平均准确率超 GRPO 11 个百分点

先独立练强技能教师，学生出师后在线判定并自动“退役”教师

用难度感知的奖励塑形让推理模型学会何时思考、思考多深。

专家判断编译为可执行科学检查，把科学代码库变成智能体可训练、可评估的环境

用169个不可能任务与机器可验证证书，压力测试自动生成评分量规能否抵御对抗性答案利用

在在策略rollout中做稀疏局部纠正，用优势回归学习混合来源轨迹，兼顾探索与可学习性。

同一GRPO配方下，13种RLVR数据策略均无可复现增益

用难度自适应树搜索、句子熵分叉与兄弟多样性奖励扩展 RLVR 的 pass@k 推理覆盖

用弱教师策略偏移方向放大强学生自身梯度，加速训练并突破教师上限

以验证器优势校准同模型密集自引导，用轨迹平衡拟合归一化目标分布实现自改进。