强化学习显著提升了大语言模型的推理能力，但常用的无审稿者强化学习方法均匀分配信用，导致罕见且错误的尾部词元获得与合理词元相同的正面信用，称为正信用污染问题。本文提出尾部感知信用校准（TACO）方法，计算每个词元的尾部风险分数，调整其正面信用，从而降低噪声影响并保留有用罕见模式。实验证明TACO在三个大语言模型和八个基准上优于GRPO基线，提升了训练稳定性和长期强化学习表现。源码公开于Github。
这条 研究论文 信号说明，来自 arXiv cs.CL 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.CL 发布了这条关于 研究论文 的更新：强化学习显著提升了大语言模型的推理能力，但常用的无审稿者强化学习方法均匀分配信用，导致罕见且错误的尾部词元获得与合理词元相同的正面信用，称为正信用污染问题。本文提出尾部感知信用校准（TACO）方法，计算每个词元的尾部风险分数，调整其正面信用，从而降低噪声影响并保留有用罕见模式。实验证明TACO在三个大语言模型和八个基准上优于GRPO基线，提升了训练稳定性和长期强化学习表现。源码公开于Github。
本文识别并解决了强化学习中普遍存在的正信用污染现象，提出通过尾部风险评分精细校准正面信用的创新方法，有效减少了错误词元被强化的问题，提升了模型训练的稳定性和性能，在推动大语言模型强化学习技术进步方面具有重要意义。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
本文研究了使用LSTM和传统机器学习模型对推特文本进行情感分析的方法。通过对数据集进行分词、词形还原和去停用词预处理，比较了逻辑回归、随机森林、朴素贝叶斯、梯度提升及LSTM等算法的效果。结果显示，LSTM模型在训练准确率90.98%、测试准确率80.00%及ROC-AUC 0.92的表现上优于传统方法，体现了其在捕捉文本上下文和序列特征方面的优势。
近期在数学AI（AI4Math）领域，特别是基于大型语言模型（LLM）的定理证明器，在利用交互式定理证明语言生成形式化证明方面取得显著进展。但现有系统在处理前沿数学研究，如发现新定理或解决悬而未决的猜想时仍受限，因其问题多为开放式、多层次抽象。本文综述该领域，包括数据集、自自动形式化和证明合成，指出现有系统作为数学研究代理的核心瓶颈，并提出未来AI4Math的发展路线图。
本文介绍了DeepSearch-Evolve，一种基于DeepSearch-World可验证环境的自我蒸馏框架，用于训练网页搜索代理。DeepSearch-World包含42万个多跳问答任务，支持进度验证、反思和故障恢复等关键认知行为，有助于代理自我进化。DeepSearch-Evolve通过轨迹生成、筛选、数据混合和微调，逐步提升代理性能。无需从更强模型蒸馏，DeepSearch-World-9B在BrowseComp、GAIA和HotpotQA等测试集上表现优异，展示了可验证环境对于长远网页代理自我进化的潜力。本文还将开放环境、数据集、模型和代码，促进相关研究。