Kinnari

llm

此标签下有23条笔记。

2026年10月29日
LLM RL 后训练中的 Score Centering
2026年8月04日
RLVR 算法对比
- llm
- rlvr
2026年8月04日
如何拓展大模型上下文长度
- llm
2026年8月04日
大模型训练笔记
- llm
2026年8月04日
Explore-Execute Chain: Towards an Efficient Structured Reasoning Paradigm
- llm
- rlvr
2026年8月04日
Efficient Exploration at Scale
2026年8月04日
FlowRL: Matching Reward Distributions for LLM Reasoning
2026年8月04日
GiGPO
2026年8月04日
Emergent Hierarchical Reasoning in LLMs Through Reinforcement Learning
2026年8月04日
Online Experiential Learning for Language Models
2026年8月04日
Thinker: Learning Fast and Slow
2026年8月04日
UniGRPO: Unified Policy Optimization for Reasoning-Driven Visual Generation
2026年8月04日
CWM: An Open-Weights LLM for Research on Code Generation with World Models
2026年8月04日
Nested Learning: The Illusion of Deep Learning Architecture
2026年8月04日
Good SFT Optimizes for SFT, Better SFT Prepares for Reinforcement Learning
2026年8月04日
RL's Razor: Why On-Policy Reinforcement Learning Forgets Less
- llm
- rlvr
- sft
2026年8月04日
Reinforcement Learning via Self-Distillation
2026年8月04日
SPRINT: Enabling Interleaved Planning and Parallelized Execution in Reasoning Models
2026年8月04日
TERMINATOR: Learning Optimal Exit Points for Early Stopping in Chain-of-Thought Reasoning
2026年8月04日
Beyond Precision: Why Training-Inference Mismatch is an Optimization Problem and How Simple LR Scheduling Fixes It
2026年8月04日
The State Of LLMs 2025: Progress, Problems, and Predictions
2026年8月04日
RL究竟能不能突破Base边界——关于推理能力外推、稳定性与训练条件的系统分析
2025年7月19日
The Big LLM Architecture Comparison

Created with Quartz v5.0.0 © 2026

GitHub
Discord Community