现有 RL 框架（verl、OpenRLHF 等）本质上还是面向具体的策略模型做优化，工作流编排被当作环境搭建的一部分，使得每个多智能体系统都需要手工编排，训练难度较大，不同系统也难以做公平比较。UnityMAS-O 实现了一套真正面向多智能体工作流的训练流程，支持自定义的角色设置、模型拓扑结构，在多种任务和实验设置下都拿到了显著提升

RLVR 中失败轨迹被统一惩罚是巨大的信息浪费。CIPO 通过纠错重放，让模型在看到自己错误的条件下重新生成答案，天然区分不同失败模式并提供差异化学习信号，无需任何外部标注

对 Claude Code 泄漏源码的深度分析

多智能体 LLM 往往靠自然语言通信，虽然直观，但会带来额外 token 生成、prefill 开销和 KV cache 内存负担。本文提出 TFlow（Thought Flow），将发送方的隐藏状态编译为接收方专属的瞬时低秩 LoRA 权重扰动，而不是写入上下文。该方法在推理时实现实例级适配，不永久改模也不扩展文本上下文。用 3 个 Qwen3-4B agent 实验显示，TFlow 相比单一接

本文提出嵌入式语言流 ELF（Embedded Language Flows），将 diffusion/flow 模型直接用于连续 embedding 空间的语言生成。与主要在离散 token 上运作的现有 DLM 不同，ELF 几乎全程停留在连续空间，仅在最后一步借助共享权重网络映射为离散 token，因此能较容易迁移图像 diffusion 中成熟技巧，如 classifier-free gu

结合预训练的规模优势与强化学习的决策优势

结合预训练的规模优势与强化学习的决策优势

在不调整位置编码的情况下轻松扩展大模型上下文，简单有效

使用多个异构小模型改进投机算法

软思维链最新方法介绍