[2026-10-14] PrismaCoder: Pushing the Boundaries of Open Multimodal Code Intelligence through Decomposed Rubric Synthesis
追溯 PrismaCoder-2M 的种子、执行筛选与重生成流程，分清 Claude 生成训练代码、Gemini 造评分标准和判分的角色，以及论文能否支持‘蒸馏’这一说法。
# GRPO
[2026-10-16] Scene-Designer: Learning Design Intelligence for Agentic 3D Scene Generation
Scene-GRPO 在同一家具编辑点试跑四条候选输出，用 Critic 比较候选结果及各结果相对编辑前的变化，再把局部和整条轨迹的奖励送入 GRPO；本文也核对 SceneSmith 执行环境与公开代码。
[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。
[2026-09-03] 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。
