清华和上海AI Lab团队通过测试时强化学习方法，提升模型数学能力159%，在多个数据集上表现显著。

扩散模型通过新框架d1实现推理功能，结合监督微调与新颖策略梯度方法diffu-GRPO提升数学和逻辑推理能力。

姚顺雨指出AI发展分为上半场和下半场。上半场以模型和方法为主，而下半场的重点转向如何定义现实任务并有效评估AI的表现。他强调强化学习已能泛化，并提出新的评估规则来解决当前局限性。

太平洋彼岸的 Meta 公司便发布了 Llama 4 模型。该模型参考了 DeepSeek 的技术，

最新研究提出F5R-TTS系统，通过概率化输出和GRPO优化方法成功将强化学习整合到非自回归TTS中，显著提升语音合成质量。

归来的姿态在 LLM 的后训练时代证明了其巨大价值，Sutton 和 Barto 拿了图灵奖，Dav