标签： 算力

针对大语言模型后训练中 on-policy distillation 与 RLVR 各自的盲区，研究者提出 DiffGate，将教师指导只用于失败轨迹并按难度缩放，在 Qwen3-0.6B/1.7B 学生模型上提升了代码与数学任务的 pass@8 指标。

arXiv 2026年10月7日收录的一篇新论文提出 ExPPO，一种轻量级优势重塑规则，用于改善大模型强化学习推理中的探索覆盖，代码已开源。目前公开信息仅来自摘要，实验结论有待全文核验。

Hugging Face Papers 收录的论文提出 RGPO 框架，把标准答案当作临时“推理支架”，帮助大模型在强化学习中突破奖励稀疏瓶颈，同时保留探索空间。

一篇新论文提出把以物体为中心的3D生成器（如Trellis 2）改造成单图场景重建工具，通过自适应分块和可见性提示，在室内外场景中同时提升几何精度与视觉质量。

英伟达提出NeMo-DCR方案，通过只传输权重变化量而非全量检查点，将万亿参数强化学习跨区域同步时间从87.5分钟压缩到150秒，并保证比特级精确。