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。

用验证器抽检教师逐题可靠性，按提示在密集OPD与GRPO间独占路由

外推自身RLVR训练轨迹合成未来教师，把稀疏结果奖励转为密集token级监督

把4D空间推理分解为平面、深度、时间三个可验证奖励，让VLM在RL中学会真正的空间思维。

按组内答对数自适应调整裁剪边界，让稀有正确样本保留梯度，pass@1 与 pass@k 双升

RLVR的多样性坍缩集中在解题入口：模型不再发起替代解法，但给定入口仍能顺利执行

提出L0–L4递退监督阶梯，沿奖励与经验双轴梳理LRM超越人类监督的方法、风险与评测。

用数学教育学的启发式与语义空间解析LLM思维链，诊断推理失败并改进RLVR后训练

混合SFT以不到1/60的算力在RLVR后全面超越下一块推理RL

用一个 ReLU 门控把在策略蒸馏改造成合法的 RLVR 方法，零新增超参数

把KL正则从响应侧移到查询侧，稳住训练环境漂移又不牺牲探索

SFT 让模型改用希腊语推理，RLVR 修好格式缺陷，而准确率基准被 7.7 分种子噪声淹没

按目标剩余提升空间动态重加权组相对优势，把RL优化力度转向未饱和目标

RLVR 在提升当前任务的同时，会把未来任务的成功轨迹挤到固定预算内难以采样

用变分后验采样扰动权重替代温度调节，为GRPO注入参数空间探索

RSTG在负零方差样本上选择性施加自适应蒸馏，恢复GRPO丢失的梯度信号

提出SAF四阶段流水线融合GRPO与OPD优势，避免熵坍塌并稳定提升性能。

开源全栈OpenMLE训练元进化智能体，MLE-Bench Lite奖牌率达71.21%。

让多模态大模型学会按需调用视觉工具，既不过度也不漏用，真正提升能力。

把游戏求解器的状态价值变化转成逐回合信用信号，注入 RLVR 实现无需 logits 的策略蒸馏