论文精读

详解 DUSt3R 如何用 pointmap 表示统一无标定双目/多视图重建、深度估计、像素匹配与相机位姿恢复。

这篇论文把 Agent 的交互环境本身建模成一个语言世界模型：既可以作为可控模拟器给 Agent 做 RL，也可以作为 Agent 的预训练 warm-up，让模型在行动前学会预测下一步环境反馈。

详解 arXiv 2606.09828v1：Mirage 如何用 latent spatial memory 替代 RGB 点云缓存，让视频世界模型在保持 3D 一致性的同时显著降低速度和显存开销。

"详解 arXiv 2606.17024：ExpRL 如何用参考解答构造 dense reward，解决稀疏奖励 RL 在硬题上的探索覆盖不足问题。"

解读 arXiv 2604.06628：reasoning SFT 的泛化不是“有/没有”的二元问题，而是由优化充分性、数据质量与结构、基础模型能力共同决定，并且伴随安全退化代价。

详解 arXiv:2504.14945 的 LUFFY：为什么纯 on-policy RLVR 会受限于模型初始能力，为什么朴素 SFT 又容易僵硬模仿，以及如何用 Mixed-Policy GRPO 与 policy shaping 在 off-policy 指导下学习推理。

详解 VibeThinker-3B 技术报告：如何用 Spectrum-to-Signal 后训练范式、multi-domain RL、offline self-distillation 与 claim-level test-time scaling，把 3B dense 小模型推到数学和代码等可验证推理任务的一线性能区间。

详解 Just-In-Time Reinforcement Learning 如何把历史轨迹记忆转成 advantage，在推理时直接加到候选动作 logits 上，从而在不更新参数的情况下实现类似 KL 约束策略优化的 agent 持续学习。

详细解读 τ0-WM 这篇机器人操作论文：它如何把 Video Action Model 和 Action-Conditioned Video Simulator 统一到一个视频-动作世界模型里，用异构数据训练，并在测试时通过候选动作筛选、未来模拟和动作修正提升长程操作成功率。

这篇论文用纤维丛、商空间、同胚等拓扑概念解释一个直觉：视觉理解不是记住像素，而是把许多外观变化压缩成少量稳定语义；这种压缩需要外部语义目标和能做“展开—咔哒归类”的模型结构。

这篇 position paper 认为，当前 LLM 的大规模后训练正在把评测分布变成训练分布；即使从随机初始化开始，只靠数学/代码 SFT 数据也能在对应 benchmark 上取得不低成绩，因此很多“推理能力”可能首先是分布拟合能力，而不是开放泛化能力。

详细拆解小米 MiMo-7B 技术报告中的训练流程：推理导向预训练、MTP 架构、SFT 冷启动、可验证数学/代码 RL、test-difficulty reward、dynamic sampling 与 Seamless Rollout Engine。

详解 MiniMax-M2.7 技术报告：从 229.9B 总参数/9.8B 激活参数的 MoE 架构，到 192K 长上下文、MTP 推测解码、agentic 数据管线、Forge 强化学习系统、交错思考与自演化能力，理解“mini activations, max real-world intelligence”背后的系统路线。

详解 RiM 如何用固定 memory blocks 替代自回归生成的思维链，把中间推理从“说出来”变成“存在工作记忆里”，并在低延迟下取得比 Coconut 更好的数学推理表现。

解读 Microsoft Research 论文 ECHO：把终端环境返回的 stdout、stderr、日志、文件内容等 observation token 也纳入训练损失，让失败轨迹也产生密集监督，从而在不增加 rollout 的情况下提升 terminal agent 的 RL 效率。

解读 arXiv:2605.20613 HRM-Text：用分层递归架构、任务完成目标和 PrefixLM，把 1B 模型从零训练的门槛压到 40B tokens / 约 1500 美元量级。