深度分析
代幣梯度抵消機制於序列層級回饋的群內學習設計條件
稀疏回饋下群內比較是微調模型的主流方法。本文提出代幣梯度可交換性條件，並分析兩種破壞此性的機制，進而設計最小化轉換恢復抵消結構。實驗顯示此策略提升訓練穩定性與樣本效率，改善最終性能。
強化學習微調
深度分析
E2E‑REME：端對端微服務自動修復框架結合體驗模擬強化學習
微服務系統規模擴大導致故障成本上升，研究提出端對端微服務修復任務，直接從診斷報告生成可執行 Playbook。作者建置 MicroRemed 基準並開發 E2E‑REME 模型，以體驗模擬強化微調訓練。實驗顯示該模型在多平台上比九種主流 LLM 更具準確性與效率，為自動化修復提供新方向。
深度分析
SkillFactory：自我蒸餾提升大型語言模型認知推理能力的新方法
研究背景：長鏈推理模型需具備多種認知技能。核心技術：SkillFactory 在監督式微調階段使用模型自產樣本重新排列，形成「銀色」訓練資料，進而自我蒸餾以學習驗證、回溯等技能。主要結果：此方法提升模型在 RL 後的任務泛化與跨域穩健性，且不依賴更大模型的蒸餾。
深度分析
HiL‑Bench：以 Ask‑F1 評估 AI 代理求助判斷的基準測試
研究背景：現有基準忽略智慧代理在資訊不足時的求助判斷。核心做法：HiL‑Bench 以人驗證的缺資訊阻斷項測試，並以 Ask‑F1 衡量提問精度與召回率。主要結果：大型模型在缺資訊情境下表現大幅下降，且透過 Ask‑F1 強化學習微調可提升求助品質與跨領域通過率。