仅用128条随机抽取的示范样本,让GRPO+DPO的少样本RLVR超越千条SFT数据方法。

THINC框架让代码本身成为推理主体，4B模型击败235B基线

数学家新创作的439道研究级数学题，前沿模型最高仅30.4%

用同一模型的双角色自蒸馏，将英语推理能力迁移到17种低资源非洲语言。

在单流自回归中把『何时披露中间推理』变成可学习的决策变量，用蕴含对齐SFT+RL实现。

构建了跨越47国17语、3万+奥数题的MathNet基准，并首次系统性评测模型在数学等价检索上的能力。

将SFT重写为带稀疏奖励的on-policy RL，提出GAL+DCR统一后训练框架

在数学竞赛中，模型本身的能力差距远超任何提示工程优化

用原子知识点重构强化学习提示，实现最小充分引导

提出分歧子集评估框架，揭示LLM关于答案正确性的特权知识仅在事实任务中存在。

两阶段RLVR框架联合训练推理和自我改进，无需外部监督信号

提出文本频率定律：同等语义下高频文本更适合 LLM 提示与微调，结合 TFD 蒸馏与 CTFT 课程训练在 4 大任务验证。

提出ScratchMath基准评估MLLM诊断学生数学错误能力

Actor-Judge架构实现多模态推理无监督自进化，无需标注数据

提出Principia基准和RLLM、ParaGator方法，显著提升LLM推导复杂数学对象的能力

通过策略驱动的技能选择与分层奖励实现数学推理能力的持续进化

首个大规模未解数学问题的自动化验证基准，评估AI的数学发现能力

用预训练的泛化价值模型V0作为先验，自适应融合稀疏采样经验均值，实现低方差基线估计

ODD：免训练、顺序正交投影，提升扩散语言模型Pass@k。

把一阶梯度下降搬进 LLM 解码循环，直接优化 token logits 来精细化推理策略