待学习队列

记录用户感兴趣但尚未正式学习的论文、博客、仓库和技术报告。一旦开始学习或分析某条目，就从这里删除。

论文 / 资料	链接 / ID	兴趣点	本地 PDF	记录时间
LoRA Without Regret	https://thinkingmachines.ai/blog/lora/#how-much-capacity-is-needed-by-supervised-and-reinforcement-learning	Thinking Machines Lab；LoRA vs full fine-tuning；SFT/RL 所需容量；post-training 参数效率	N/A	260712
On-Policy Distillation	https://thinkingmachines.ai/blog/on-policy-distillation/	Thinking Machines Lab；on-policy distillation；结合 on-policy 采样与 dense teacher feedback；reasoning 与 personalization 后训练	N/A	260712
Video2Code: Generating Interactive Webpages from UI Videos via Action-Aware Revisit	https://arxiv.org/abs/2606.20711	唐杰团队；UI 视频生成交互式网页；action-aware revisit；状态转移对齐	N/A	260712
Show HN：如何在低配置电脑上运行 GLM-5.2 / JustVugg colibri	https://github.com/JustVugg/colibri	GLM-5.2 低内存本地推理；C 实现；专家从磁盘流式加载	N/A	260712
2x GH200 for LLM inference, Part 3: GLM-5.2, expert offload, and the CPU question	https://dnhkng.github.io/posts/gh200-benchmarking-part-3-glm52/	GLM-5.2 在双 GH200 上的推理、expert offload、CPU/内存带宽与 MTP 权衡	N/A	260712
IdeaBench: Benchmarking Large Language Models for Research Idea Generation	https://arxiv.org/abs/2411.02429	research idea generation benchmark；基于论文 title/abstract/reference context 评估 LLM 科研想法生成；novelty/feasibility 等指标	N/A	260712
LiveIdeaBench: Evaluating LLMs' Scientific Creativity and Idea Generation with Minimal Context	https://liveideabench.com/	scientific creativity / idea generation benchmark；single-keyword prompts；originality、feasibility、fluency、flexibility、clarity	N/A	260712
CompactionRL: Reinforcement Learning with Context Compaction for Long-Horizon Agents	https://arxiv.org/abs/2607.05378	长时程 agent；上下文压缩；任务执行与摘要生成联合优化；token-level loss normalization；cross-trajectory GAE	N/A	260713
FireAct: Toward Language Agent Fine-tuning	https://arxiv.org/abs/2310.05915	language agent fine-tuning；多任务、多 prompting method 的 agent trajectories；泛化、鲁棒性、效率与成本	N/A	260724
TreePO: Bridging the Gap of Policy Optimization and Efficacy and Inference Efficiency with Heuristic Tree-based Modeling	https://arxiv.org/abs/2508.17445	DPWriter 引用的分支/分叉策略；tree-based 启发式建模；策略优化与推理效率	N/A	260727
Segment Policy Optimization (SPO)	https://arxiv.org/abs/2505.23564	DPWriter 引用的分支策略；segment-level credit assignment；RL for LLMs	N/A	260727
First Return, Entropy-Eliciting Explore	https://arxiv.org/abs/2507.07017	DPWriter 引用的分支/探索策略；first-return + entropy-eliciting exploration；rollout 多样性	N/A	260727
NoveltyBench: Evaluating Language Models for Humanlike Diversity	https://arxiv.org/abs/2504.05228	多样性评测基准；DPWriter 与 Darling 共用的 Distinct 指标来源；用二分类器把输出划语义等价类、数类数（id/标题经 DPWriter、Darling 两篇引用互证，arXiv API 本次限流未直查）	N/A	260727

---

专题：用 RL 提升大模型写作能力（2025–2026 景观扫描）

260726 整理。检索源：arXiv Export API。机构标注来源：✓ 从 arXiv HTML/PDF 直接解析；◇ HTML 未渲染机构、按作者身份判定；△ 仅确认实习单位、机构未公开。录用信息取自作者在 arXiv 的 Comments 字段，标"预印本"= Comments 无会议/期刊信息（多为投稿/在审）。

论文 (arXiv)	年份	一作	一作机构	录用
Writing-Zero	2025-05	Ruipeng Jia（v1 PDF 署名 Xun Lu）	StarWritingTeam（团队署名，未公开机构）✓	预印本
Writing-RL	2025-06	Xuanyu Lei	清华大学 AIR（+ 电脑系 AI 研究院）✓	预印本（代码 Tongyi-Zhiwen）
LongWriter-Zero	2025-06	Yuhao Wu	THUDM / 智谱 AI（清华大学，系列传承判定）△	ICLR 2026 Oral
RLMR	2025-08	Jianxing Liao	机构未公开（注明实习于腾讯）△	预印本
Igniting Creative Writing in SLMs	2025-08	Xiaolong Wei	北京航空航天大学（+ 百度）✓	EMNLP 2025 Main
Jointly Reinforcing Diversity & Quality	2025-09	Tianjian Li	Johns Hopkins Univ.（合作 Meta FAIR / CMU）✓	预印本
Extending RLVR to Open-Ended（MC 重构）	2025-11	Mengyu Zhang	百度（据 Hua Wu 等作者判定）◇	预印本
Rewarding Creativity (RLC)	2026-01	Zhaoyan Li	阿里巴巴（@alibaba-inc.com）✓	预印本
DPWriter	2026-01	Qian Cao	中国人民大学（+ 快手）✓	预印本
Reward Modeling for Scientific Writing	2026-01	Furkan Şahinuç	TU Darmstadt · UKP Lab（hessian.AI）✓	ACL 2026 Main
Retell, Reward, Repeat	2026-01	David Y. Liu	新南威尔士大学 (UNSW) ✓	预印本
Expanding RL via Text Feedback	2026-02	Yuda Song	卡内基梅隆大学 CMU（合作 DeepMind）◇	预印本
Rubric-ARM	2026-02	Ran Xu	埃默里大学 Emory（+ Purdue / Rutgers）✓	预印本
Writer-R1	2026-03	Jihao Zhao	中国人民大学（信息学院）✓	预印本
Long-form RewardBench	2026-03	Hui Huang	哈尔滨工业大学 HIT（作者群判定）◇	AAAI 2026
R2-Write	2026-04	Wanlong Liu	武汉大学（+ 阿里通义 / 清华 AIR）◇	预印本
UniCreative	2026-04	Xiaolong Wei	北京航空航天大学（+ 百度）✓	Findings of ACL 2026
From Coarse to Fine（写作 RM）	2026-04	Qingyu Ren	复旦大学（上海市数据科学重点实验室）✓	预印本
Bootstrapping Rubric Self-play	2026-04	Chengyu Huang	康奈尔大学 Cornell（+ Claire Cardie）✓	预印本
OPERA	2026-06	Wenxuan Jiang	香港理工大学 PolyU ✓	预印本

小结：录用顶会 5 篇——LongWriter-Zero (ICLR'26 Oral)、Igniting Creative Writing (EMNLP'25)、Scientific Writing RM (ACL'26 Main)、Long-form RewardBench (AAAI'26)、UniCreative (ACL'26 Findings)。中国机构活跃：人大（DPWriter、Writer-R1）、北航+百度（Igniting、UniCreative）、阿里（RLC）、清华系（Writing-RL、LongWriter）。共性方法：把"不可验证"的写作质量转成可验证奖励（rubric / GenRM / MC 重构 / 自博弈），用 RLVR/PPO/DPO 变体训练，兼顾长文连贯与多样性。