FP8是深度学习领域新兴的低精度浮点格式，通过优化存储降低计算成本。文章从三个维度解析FP8： 存储优势：相比FP32，FP8将GPT-3等大模型存储需求从700GB降至175GB，节省50%空间。 技术原理：浮点数采用"符号-指数-尾数"三件套结构，FP8提供两种格式选择： E4M3（4位指数+3位尾数）：精度优先，适合权重和激活值 E5M2（5位指数+2位尾数）：范围优先，适合梯度和损失值

Does Reinforcement Learning Really Incentivize Reasoning Capacity in LLMs Beyond the Base Model?

《Flow-GRPO: Training Flow Matching Models via Online RL》

重要性采样（Importance Sampling, IS）是一种用于从一个概率分布估计另一个概率分布的期望的技术。

DeepSearch: Overcome the Bottleneck of Reinforcement Learning with Verifiable Rewards via Monte Carlo Tree Search

本文介绍了AI Agent开发中的Sidecar安全机制。该机制通过独立运行的轻量级模型对主Agent执行的每个工具调用进行实时审查，确保操作安全。Sidecar与主模型并行运行，仅接收结构化的工具调用数据(工具名和参数)，不查看主模型的思考过程，从而避免提示注入攻击。审查过程专注于简单的分类任务(判断操作是否越界)，因此轻量模型即可胜任。这种设计在保证安全的同时几乎不增加延迟，是AI Agent

这篇文章探讨了大型语言模型（LLM）训练中"先监督微调（SFT）后强化学习（RL）"的必要性及其边界条件。核心观点是：RL需要一个能可靠解析的打分起点，当基础模型较小且任务要求严格的结构化输出时，必须先用SFT建立输出格式（形），RL才能有效学习策略（神）。但足够强的基础模型可以跳过SFT直接RL（如DeepSeek-R1-Zero案例），不过最终产品往往仍需SFT来优化输出质量。文章通过训练机制

SFT Loss Masking 技术解析 核心要点： 预测机制：语言模型始终基于前文预测下一个token，每个位置都会产生预测和损失 掩码原理：通过将prompt部分的label设为-100（ignore_index），使损失函数跳过这些位置 实现方式：仅保留response部分的真实token id，其他位置标记为-100 技术效果：梯度仅从response部分的损失回传，避免模型学习提问模式

详细介绍MCP和skills

详细介绍MCP和skills