标签：rl

这篇论文系统回答了一个关键问题：LLM 在什么条件下能靠弱监督 RL 真正学会推理，什么时候又只是在记忆和投机。

小米 MiMo 系列（重点是 MiMo-7B 与 MiMo-V2-Flash）的技术路线。

近两年强化学习如何影响大模型后训练与能力演进。

**3D / 时空 VAE（Variational Autoencoder）**，可以理解成：

**标题**：Generation Models Know Space: Unleashing Implicit 3D Priors for Scene Understanding

这个主题关注小米 MiMo 系列公开技术信息，当前重点包括：

这个主题关注：

截至 2026-03，LLM 领域的 credit assignment 已形成两条主线：其一是“偏好学习主线”（RLHF/RLAIF 与 DPO/IPO/KTO/ORPO/SimPO 等），其核心是把序列级偏好信号转成 token 级可优化目标；其二是“可验证奖励主线”（RLVR、GRPO、过程奖励 PRM、结果奖励 ORM），在数学/代码等可判真任务上显