揭示 GRPO/Dr. GRPO/DAPO 是对组标准差的三种操作

揭示现有LLM多样性度量只捕捉表面措辞变化而非方法层面的策略差异，并提出方法级多样性评估框架

通过惊异度引导的令牌级优势重加权解决GRPO训练中的策略熵坍塌问题

通过token级梯度分析提出WAPO方法，解决RLVR训练不稳定性问题

ADR框架通过原子分解重组生成高质量可验证代码任务，突破RLVR数据瓶颈

把全词表自蒸馏与RLVR奖励统一为策略梯度，稳定提升LLM推理性能。

在RLVR中引入时间调度维度，按时序从后向前渐进优化轨迹百分位token

12B参数MoE模型，仅激活2.5B参数，实现代码生成和工具调用的IDE部署级效率

把Muon的全谱白化改成高通滤波，专攻VLA与RLVR两类低质量梯度。

把RLVR更新视为token梯度上的线性判别器，用判别式系数重塑正负质心。

RLVR权重更新呈秩-1线性结构，RELEX仅用15%训练步外推未来检查点

揭示RLVR训练中存在反直觉的不可学习样例，代表模型表征的根本性缺陷。

用 9 类任务、9 种奖励的 23K RLVR 数据集和 TMN-Reweight 多任务优化算法，让 30B 模型长上下文能力逼近 R1-0528。

通过动态调整rubric标准的权重，将训练压力导向当前策略可学习的标准，提升多目标强化学习效率

提出'岔路口假说'，论证推理模型的覆盖率收缩由微调数据中的决策点驱动，而非算法本身。

用策略级提示诱导多样化推理轨迹，让 RLVR 探索效率提升 8 倍

把失败轨迹转成修正样本，让模型同时学会做对与改对。

用 756 张手绘 Jordan 曲线图测试 VLM 的视觉拓扑层级推理能力。

OmniClean 去偏评测加 OmniBoost 三阶段后训练，3B 模型可比肩 30B

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。