4系数闭式定律预测LLM推理每token能耗，误差较SOTA低3.1–3.5倍，无需逐模型校准

把自身权重量化或剪枝成弱副本，用两者token级对比作密集监督，无需特权信息即可提升推理

用信息增益奖励做强化学习，把序列贝叶斯实验设计摊销进 LLM 的推理过程，习得可泛化的提问策略

Outcome RL的pass@1提升主要来自按时答完与更可靠，很少带来新解题能力

证明同等提示与格式下约束解码不降反升性能，并提出格式/有效性/推理三类约束分类

用稀疏历史分布缓存替代持久教师模型，实现单策略、时序稳定的自蒸馏强化学习

用RL训练学生初始化的出题器，生成能最大化教师监督信号的蒸馏问题

用 log-odds 累积参数化重构 PPO 评论家，显式建模价值演化，推理提升 7-10 分

仅用结果对错做RL奖励，让生成式PRM的思维链自发学会逐步过程验证

用α散度变分推导的双分支核替代裁剪，修复RLVR离策略训练的梯度饥饿

用半事实扰动下的token概率稳定性修正GRPO优势，实现细粒度信用分配，提升推理与鲁棒性

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

冻结主干仅训12288参数学会读取历史K/V库，多轮推理最高提升11.67个百分点

用CTC单调对齐显式编码时序，让LLM在结构化证据上推理，免参考评判口型与文本是否匹配。

把自蒸馏监督转移到教师可被模仿的已验证轨迹上，收益不再随模型规模衰减

用最大耦合的接受/纠正事件内生路由token级监督，让在线策略蒸馏既准又快

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

将在线蒸馏重构为 KL 正则强化学习，用乐观最小二乘目标实现离策略复用与更高 Pass@k

固定智能体团队从协作经验中学出可复用组织策略，协同计算超越最强成员与完美路由。