[2026-10-01] Finetuning with Sampling: SFT Learns Better Than You Think
别人写出的正确解答未必适合学生模型直接学习。Sampling SFT 先让目标模型重写答案，再做普通监督训练。本文分开讲理论采样与公开贪心实现，用真实配平案例核对正确性与结果。
归档
[2026-08-26] V-Rubrics: Visual Faithfulness via Rubric-Based Reinforcement Learning
答对选项也可能看错图。V-Rubrics 把视觉事实、推理和输出要求分开判分，再将每项训练信号分配给回答的相应前缀。本文用公开潮汐题复算奖励，核对原论文图表与代码边界。
[2026-09-26] Groupwise Agentic Grading and Advantage Redistribution for Code Agent RL
GAGAR 如何比较多次通过测试的代码修改质量，再重新分配训练权重；拆解判分 Agent、计算公式、训练结果、带上限的实现与未公开证据。
[2026-01-29] ASTRA: Automated Synthesis of agentic Trajectories and Reinforcement Arenas
ASTRA 先生成工具调用示范，再把多步问答写成可执行的模拟工具，用模型自己的执行结果继续训练。本文分开解释数据构造、环境检查、训练奖励、行李加购真实样本及公开代码与论文的差异。
[2026-09-18] RecreationWorld: Scalable and Verifiable Environments for Hybrid Computer-Use Agents
Agent 一边操作原软件弄清行为，一边写代码复刻，再运行自己的版本检查差异。本文用 Logbert 固定日志案例说明任务与隐藏测试的来源、两种评分通道、五平台结果和训练迁移。
[2026-08-31] Learning Where Outcomes Change: Credit-Addressable Reasoning for Multimodal Geometry
把几何解题过程写成带标签的步骤，固定某一步以前的内容，再从这里生成不同完整解法，用最终分数差训练后半段。结合等腰三角形真实案例，说明数据来源、评分、更新范围与实验限制。
[2026-03-30] Meta-Harness: End-to-End Optimization of Model Harnesses
让 Claude Code 读取历次候选的代码、分数与执行记录，改进包在模型外的运行程序。本文说明搜索过程、真实样例的判分，以及分类、数学和终端实验各自能证明什么。
[2026-09-03] Multi-Harness Reinforcement Learning for Coding Agents: Training Gains and Harness Dependence
同一批编程执行记录，按接口分别比较成绩，或把同题不同接口的成绩合起来比较：两种训练都只有小幅提升，评测接口带来的差异更大；换到未见接口后，谁更好仍没有稳定证据。
[2026-08-17] ClawGym II: Exploring Black-Box RL on Agent Harness
ClawGym II 保留 Claude Code 和 OpenClaw 的工具执行流程，通过模型调用记录和任务评分训练模型。本文解释分支怎样恢复、哪些生成不参与训练，并实际运行公开周报任务的检查程序，核对评分与实…
[2026-09-22] Grow the Harness, Not the Context: From Strategy-Free Scaffolds to Reusable Specialist Agents
从空程序起步，把失败任务暴露出的重复处理步骤写进代码，供后续任务复用。用论文的 Repair 31 案例说明怎样找出错误、修改函数和验收，并核对成功率与成本的计算范围。
