post-training — AI Digest

15 авг Z.ai выпускает GLM-5.3: фронтир в кодинге только за счёт post-training, эмерджентные кибервозможности Z.ai (Zhipu AI) models-llm
20 авг Z.ai выпускает GLM-5.3 с frontier-кодингом и эмерджентной кибер-возможностью zhipu models-llm
16 авг Intern-S2-Preview: научная агентская базовая модель на 397B от Shanghai AI Lab Shanghai AI Lab research
26 авг Annotations as Rollouts: эффективный и масштабируемый reinforcement learning для видео-MLLM research
26 авг On-policy само-дистилляция в диффузионных моделях ByteDance Seed research
15 сен Feyospace-v1: команда из семи человек обучила open-weight фронтирных кибер-агентов feyospace research
10 июн DRPO: переосмысление дивергентной регуляризации в обучении с подкреплением для LLM Tencent Hunyuan research
5 сен Terminal-Universe: превращение траекторий агентов в масштабируемые терминальные среды research
10 сен NeoHorse-1: рекурсивное самоулучшение через агентное пост-обучение TokenRhythm research
23 июл SLAI T-Rex: полнопараметрическое пост-обучение семейства DeepSeek-V4 на Ascend SuperPOD SLAI research
10 сен Miles v0.1: RL-система пост-обучения продакшен-уровня RadixArk research
11 июн Анатомия пост-обучения: использование интерпретируемости для аудита и исправления данных предпочтений research
26 июн OPRD: дистилляция представлений на политике для пост-обучения LLM research
28 июн Tencent Hunyuan публикует в открытый доступ UniRL: унифицированное RL-дообучение для LLM и диффузионных моделей Tencent / Hunyuan research
7 июл Обобщение от слабого к сильному через прямую on-policy дистилляцию ByteDance / Tsinghua University research
9 июл RL-дообучение активно формирует стратегии композиционного рассуждения, а не просто усиливает базовые навыки research
20 авг Co-RL: unsupervised reasoning возникает из разнообразной когорты в multi-agent RL UC San Diego (Yunhao Yang, Nuno Vasconcelos, Yijiang Li et al.) research
29 авг Understanding Evolution Strategies для рассуждений LLM: более широкое покрытие рассуждений, чем у GRPO research
6 сен Rethinking On-Policy Distillation of LLMs II: почти полные выгоды с одного тренировочного примера research
28 сен Рашка: фокус на post-training открытых весов, а не на pre-training research