奖励作弊 · 论文

SCAPO：用反事实稳定性改进 GRPO 的 token 级信用分配

提出 SCAPO，用半事实稳定性改进 GRPO 的 token 级信用分配

arXiv

2609.40360

发表

10月1日

层

训练与数据层

场景

模型与 API

测试

Qwen3-4B-Base、Qwen3-1.7B-Base

ERPO：面向代码生成测试时强化学习的熵正则化排名掩码策略优化

提出 ERPO，用探针共识奖励对无标签代码生成做测试时强化学习

arXiv

2609.09135

发表

9月9日

层

训练与数据层

场景

编程 Agent

测试

Qwen3-4B、Qwen3-8B

STRETCH：面向 LLM 渐进式进化的统一自教框架

提出 STRETCH 自教框架，让同一模型交替出题与求解以渐进提升

arXiv

2609.18642

发表

9月16日

层

训练与数据层

场景

模型与 API

测试

Qwen2.5-7B-Instruct、GPT-4o-mini、Llama-3.1-8B-Instruct

Weco AI 提出 AIDE2：AI 研究智能体递归自我改进 8 天获七次提升

提出双层自改进系统 AIDE2，让外层智能体重写内层 Harness 代码

arXiv

2609.26457

发表

9月22日

层

应用层

场景

编程 Agent

测试

claude opus 4.7、gemini 3 flash、gemini 3.1 pro 等 6 个

• 风险危险能力