后训练：审查接受但尚未交付（85）¶
只表示既有审查接受、没有当前目录或明确成本终态。不是全部获用户实施授权， 也未逐篇完成现行成本门禁；不能直接当成自动实施队列。按论文 ID 倒排。
本轮已确认的完整实验不复现项单独标注；其他项必须先完成成本/范围裁剪，不是直接接单。
| ID / 论文 | 本轮处置 | 优先机构核验 | 既有审查理由 |
|---|---|---|---|
| 2610.20413 When Does Momentum Help in Reinforcement Learning with Verifiable Rewards? | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 只接收论文原始十臂 bandit 的 bias-corrected EMA/安全 η/(1−β) 机制和解析性质检验，可用 CPU 数值运算保留原目标；不接收4B/32B RLVR或50,000-replicate完整统计活动，不据此声称LLM提升；接受为低成本审查候选，本轮未实现、未实验，亦不自动进入执行/evolve。 |
| 2610.20303 SpectrumQuant: Spectrum Alignment for LLM Quantization | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | SpectrumQuant 用校准激活协方差构造闭式 alignment+mixing 正交旋转；原文7B校准约0.26 GPU小时、4.51 GiB，可保留128条真实校准样本的7B原算法路径；不承诺70B或全套多模型下游扫评；接受为低成本审查候选，本轮未实现、未实验，亦不自动进入执行/evolve。 |
| 2610.08778 Sherpa: Teaching LLMs to Teach Adaptively | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。逐回合gate掩码return并按到达同回合的轨迹leave-one-out归一，训练teacher适应学生偏好；有MATH分离训练/评测及教学benchmark。 |
| 2610.08773 AdvSim2Real : Training Web Agents Against Adaptive Prompt Injection in a Web World Model | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。冻结world model与judge，分阶段课程—执行者、对手—执行者训练；三seed rollout与150任务对照，不等于真实生产A/B。 |
| 2610.08670 Principled Under Pressure: Post-Training Decides Whether LLMs Act on Their Own Moral Judgment | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。公共评测：判断—行动差距的筛选、四级测量校准与压力对照独立于训练算法；Apache-2.0 DeepSteer仓库可访问。仅74/208主情境通过screen，报告条件分布不能外推总体。 |
| 2610.08108 Enhancing Diffusion Language Models with Autoregressive Post-Training Weights | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。A2D task-vector transfer与AR/diffusion增量插值有真实checkpoint benchmark；系数用anchor benchmark选取，本地复现必须改为validation隔离。 |
| 2610.07898 FC-SWE: Failure-Conditioned RL for Long-Horizon Software Engineering Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。真实R2E-Gym训练，失败时reset并提供patch/verifier上下文；每次attempt奖励独立、未执行padding不计优势。SWE-bench结果为verifier-assisted不是独立pass@K。 |
| 2610.07767 TRACE: Rollout-Guided Quantization-Aware Training for FP4 Reinforcement Learning of MoE Language Models | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。将训练activation相邻FP4 codeword选为更接近rollout codeword并缓存mantissa/scale；四MoE训练验证。原native NVFP4路径需相应硬件，不得A100模拟冒称原速度。 |
| 2610.07739 Cite What You Explore: Budget-Aware LLM Reasoning over Medical KGs with Verifiable Evidence | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。证据有/无的同snapshot预测loss差构成paired gain，叠加预算与citation integrity，REINFORCE训练检索reasoner；需真实MIMIC/PrimeKG映射，非手写分数替代。 |
| 2610.07731 Learning to Retrieve via Reinforcement Learning in Embedding Space | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。vMF嵌入策略+G×G product rollout+RLOO，CMP投影降噪；ReasonRank训练、BRIGHT评测、三paired seeds。 |
| 2610.07654 Does On-Policy Distillation for Safety Pose Backdoor Risks? | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Lazy Defense对teacher-student sampled token log-ratio双侧clipping再stop-gradient，四teacher/student组合测试仅延迟backdoor，不是保证消除。 |
| 2610.07349 RELACE: retrospective likelihood-based action credit estimation for long-horizon language agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。执行动作原始/结果条件似然比修正局部return，终局信息仅用于训练credit；ALFWorld/WebShop真实训练，但主表混用文献baseline，应本地同预算复核。 |
| 2610.07247 Learning What to Distill: Bilevel Top-K Token Selection for Self-Distillation in Large Language Models | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Soft-OR效用、softplus阈值内层与soft mask形成近似bilevel选择；阈值detach、全词表forward KL。200步最终checkpoint；TIP比较同时改变divergence，不可单独归因选择器。 |
| 2610.07212 Reward-Driven Learning under Prompt-Level Differential Privacy | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。DP-GRPO以prompt group为DP-SGD裁剪记录、单更新GRPO为record loss；隐私会计与实际Qwen1.5B LoRA实验，保留DP机制而非仅加噪声示意。 |
| 2610.07177 CLM-as-a-Judge: Evaluating an Open Contrastive Decision Model on Public Judge Benchmarks | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。公共judge评测与校准级联协议：calibration/eval隔离、双顺序、常数baseline及成本—风险读数。arXiv官方abstract页已枚举ancillary的pins、split、per-item预测、judges/run_pass/metrics/analysis源码。托管strong judge不可固定revision；本次未运行代码，单个附件浏览器读取报错。 |
| 2610.07118 AMBER: Training Long-Horizon Web Agents through Append-Only Memory | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。append-only两回合memory/action共享GRPO终局优势，插入模板token mask；实验先SFT初始化，不得声称完全无SFT；需web环境。 |
| 2610.07043 TRIAGE: Direction-Aware Mismatch Stabilization of Native NVFP4 Reinforcement Learning | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。TRIAGE在负优势负gap token按segment门控并保持响应更新质量归一化，正优势加有界pseudo-Huber修复；真实NVFP4 learner/sampler实验，A100仿真不能宣称原生吞吐。 |
| 2610.06993 DART-ES: Difficulty-Aware Reweighting and Targeted Replay for Fine-Tuning LLMs with Evolution Strategies | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。DART-ES用扰动种群正确率EMA构造连续难度权重，并以掌握阈值和零成功耐心控制稀有可解样本重放；实际LLM数学ES对比，不能把历史正确率oracle放入评价agent。 |
| 2610.06947 FactorBench: A Portfolio-Aware Benchmark for Automated Factor Mining | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。公共评测：统一symbolic/Python factor→date×asset signal契约，5市场、训练2017–21/验证2022–23/测试2024–25，组合和成本回测。官网仓库含data/evaluator/mining入口，可作为专门的自动研究任务，不宣称普适LLM能力或实盘A/B。 |
| 2610.06892 Axiom Satisfiability of Linear Rewards in Alignment | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。LP3在有限偏好图上共同最小化candidate slack和线性reward margin违反，以LP松弛替代ILP；Habermas真实偏好验证，不含LLM策略训练，也不保证未见response公理。 |
| 2610.06830 MemPilot: Orchestrating On-Demand Multimodal Memory Curation for LLM Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。质量/成本/延迟分别组归一后合并，prefix probe边际答案质量修正阶段credit；训练latency用proxy estimator，不能冒称直接壁钟reward。 |
| 2610.06829 CLIFT: Conformal Self-Verification for Web Agent Training and Test-Time Scaling | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。conformal自验证非负bonus和URL-stratified return优势改变credit；WAI训练、VWA bank transfer、OM2W无policy训练须分别报告。 |
| 2610.06804 Sharpen Without Search: On-Policy Distillation of Sequence-Level Power Distribution | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Rényi梯度对应teacher幂分布×student分布的加权MLE，SMC沿student proposal重采样；GSM8K训练不读reference答案，保留整条SMC训练链。 |
| 2610.06782 T-Search: An Open Agentic Retriever and Playground for Hard Multi-Step Search | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。公共检索Agent入口：冻结语料search/save_and_advance/finalize工具及多轮证据状态，TRuST/SynthComp公开基准；官方Apache-2.0 harness已可读。final-set Recall@10与生成Agent trajectory recall不可直接横比，融合3次须计预算。 |
| 2610.06729 Improving Diversity in LLM Short Story Generation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。DivLM的CPT指令残差恢复与群体genre/tone/style/entity多样性奖励为可执行两阶段训练配方，需真实judge与语料。 |
| 2610.06671 Learning What to Imitate: Entropy-Aware Distribution Mixing | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。ConMix/GeoMix由student top-K归一entropy控制teacher比重，用于采样SFT与forward KL；两种混合本身已有AMiD，新增是entropy调度。 |
| 2610.06648 Representation-Space MMD for Diffusion Language Models | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。冻结DLM token表示RBF-MMD，离散单denoiser pass采样后group REINFORCE，连续bootstrap后求导；OWT/GSM8K及16B DMax实验。 |
| 2610.06647 LoGRA: Scaling LLM Reinforcement Learning with Low-Rank Gradient Sketches | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。直接累积随机投影gradient sketch、低秩update与predicted-KL步长；PPO实际多scale训练，H100结果不能外推A100。 |
| 2610.06637 Long-Horizon Textual World Modeling through Structured Reasoning | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。真实encode-transition-decode rollout tree按兄弟组credit，predictive gain与中间状态reward共同训练；无需gold textual state。 |
| 2610.06446 The Assistance Dilemma: Learning to Teach via Multi-Turn Reinforcement Learning | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。tutor无gold solution；masked近迁移post-test只保留学生tokens，配合correctness/no-handover gate；冻结学生与跨benchmark评估。 |
| 2610.06439 Better Call Reward: Reward Hacking as Strategic Abstention in Legal Reasoning Models | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。公开reward hacking诊断入口：LegalBench16任务分离surface proxy、真实可解析正确性、CTS与滚动GDM；Apache-2.0仓库有notebook与结果。刻意错误proxy训练用于检测format/abstention坍塌，不得宣传为能力改进。 |
| 2610.05935 ThunderSyncRL: Lossless Acceleration of Agentic Reinforcement Learning | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。ThunderSyncRL用固定策略版本、GRPO双梯度累积和OPD按token延迟归一化在单次optimizer barrier前流式计算，数学更新等价；B200/H200数值核查和真实agent训练，不应把异步陈旧梯度代理当复现。 |
| 2610.05481 CodeForge-MA: Execution-Verified Multi-Agent Learning with Language-Conditioned LoRA for Multilingual Code Generation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。PPO+SFT本身是标准配方，但语言条件稀疏Mixture-of-LoRA门控是可执行新增参数机制；Qwen1.8B与72B API实验。应复现路由和辅助约束，非仅重命名PPO。 |
| 2610.05425 Unmentioned Checklist Findings Change How Reinforcement Learning Appears to Improve Chest Radiograph Report Checking | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。公开checklist/reader格式稳健性诊断：图像writer不读待查句，checker不读图；matched-label pair和三个checker区分omission/order影响。官方代码/格式/analysis可访问，CheXpert数据须注册协议；医学专门诊断不作临床效益或通用视觉提升证据。 |
| 2610.05373 Towards Unbiased On-Policy Distillation for Block Diffusion Language Models | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Un-OPD筛选可见上下文对齐的block决策，对高teacher-support位置混合teacher与detach student logits校准，并复用rollout；真实BDLM实验。标题unbiased不可扩展为任意复用无偏保证。 |
| 2610.05367 AIProver: Agentic Auto-Formalization of Mathematical Research via Certificate-Driven Evolving Harness | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。AIProver交替训练模型与进化harness，SAM双视图对比及CE、证书RLSF和独立fitness集accept/rollback；需真实形式验证链，不得用gold证明fixture替代。 |
| 2610.05308 RubricArmor: Adversarial Evolution Improves LLM-Based Rubric Generation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。RubricArmor独立质量判断确认满分但有缺陷的攻击，再经降分与独立review双验收迭代修补rubric；有2K WildChat、三policy真实GRPO验证。核心是可执行reward构造循环，须保留验证者非简单字符串rubric。 |
| 2610.05303 ASCENT: Online Test-Time Training of Long-Horizon Agents via Self-Distillation of Verified Experience | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。ASCENT单次在线episode仅对已验证成功轨迹更新LoRA，以固定初始模型读过滤的自身hindsight作为teacher、forward-KL训练不见hindsight的student；无外部gold答案，须严格prequential协议。 |
| 2610.05282 Red-TTT: Test-Time Training for Automated Jailbreaking Large Language Models | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Red-TTT按单目标test-time LoRA适应，softmax(beta reward)-uniform风险偏好优势、随轮增强beta与elite replay；固定120查询预算研究。仅列算法研究，不实施攻击。 |
| 2610.05139 Hidden in the Comments: A Context-Injection Attack Surface in Code LLMs | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。公开安全评测：双条件Flask prompt、generation harness、5组件detector及comment position对照。Zenodo API已证实open/published、Manuscript_Codes.zip及校验和。非同scaffold配对且task类型混淆；detector以实验条件作参考非漏洞gold，不能当纯因果或真实漏洞准确率。 |
| 2610.04950 How Should Teachers Be Prepared? RL on Student-Induced States for On-Policy Distillation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Prep-OPD先让teacher在固定初始student产生的prefix状态上RL，再冻结teacher做OPD，实测DeepMath及8数学基准；无gold解法灌入teacher，需保留两阶段状态分布。 |
| 2610.04918 Residual Visual Credit Optimization: Conserved Evidence Routing for Multimodal Reinforcement Learning | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。RVCO用图像patch干预似然构建证据分数、IQR/entropy路由及residual校正精确保留响应credit质量；ViRL39K四VLM家族训练，需真视觉干预而非固定token启发式。 |
| 2610.04882 ResOPD: Tail Residualization for Sparse On-Policy Distillation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。ResOPD完整top-k质量加tail bucket基线，每步coarse梯度与稀有tail残差组成无偏估计（仅全支持祖先采样）；主数学实验top-p=.95/top-k20不满足该无偏条件，必须分别报告机制与成绩。 |
| 2610.04851 CURIO: Curiosity-Driven Test-Time Learning for Open-Ended Discovery | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。CURIO训练hidden-state transition预测器并缓存更新前残差，epoch归一后只在非top-k采样token加bonus；它不是语义新颖性保证，encoder/predictor仍可能collapse；有科学发现任务实测。 |
| 2610.04845 Which Preferences to Train On? End-to-End Multi-Objective Alignment with an Adversarial Preference Distribution | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MAESTRO用Dirichlet对抗偏好分布DirUEG更新，独立adversary/policy批次、向量reward GAE后偏好标量化；多目标HH/Beaver与摘要faithfulness实验。 |
| 2610.04596 DiffGate: Difficulty-Gated Teacher Guidance for On-Policy Distillation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。DiffGate将teacher-student logratio以2tanh(delta/2)有界映射，并按组成功率只对失败轨迹调节teacher指导；固定8B teacher、0.6/1.7B学生数学代码训练。 |
| 2610.04344 Hierarchical Credit Assignment for RLVR on Fused Gromov-Wasserstein Geometry | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。HarA用正确/错误轨迹各自hidden-state位置图FGW重心，按span到重心贡献赋予正/负不同幂credit再乘GRPO优势；真实多模型多基准，不能以欧氏token分数替换FGW。 |
| 2610.04328 Bidirectional Preference Synthesis: Learning Prompt-Conditioned Preferences from Boundary Failures | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。BPS是独立离线偏好构造算法而非新loss：从部分失败生成student修正与安全/非泄漏achieved prompt，cycle-consistency验证后同一response pair在两prompt反向成crossed anchor，再标准DPO。IFBench及function-call有机制/下游实验；不把teacher同源的ranking诊断误当独立泛化。 |
| 2610.04299 Questioning the Questions: Sustaining Self-Evolution in Reasoning Models | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。R-Quest有效性初始化与采样成对新颖性门控改变questioner–solver自演化反馈；真实两家族实验。但正文按每域最高测试benchmark均值选checkpoint，复现必须另设validation，不能继承该选择为无偏正式成绩。 |
| 2610.04132 PB-GRPO: Learning Socially Adaptive LLM Agents from Persona-Driven Simulation with Preference-Batched GRPO | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。PB-GRPO保持prompt-local均值，但在同潜在偏好bucket内合并方差作为分母；128训练persona/100未见persona真实Qwen7B，初步单设置证据需保守。 |
| 2610.03984 Teaching Agents to Code Reliably | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。在mutation/sibling补丁上给测试断言按加权coverage Shapley credit，门控正轨迹优势再注入assertion token，属新credit机制；gold tests仅scorer可见。全500例先诊断后230训练270holdout，不应宣称完全未接触测试。 |
| 2610.03190 Not Until the Evidence Says So: Teaching LLM Investigators When to Close a Case | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Nautil提供证据索引/request工具、close/open任务、来源内balanced accuracy及删关键证据对照；官方MIT代码/数据/模型公开。RLVR checkpoint选择用过64测试中22条，必须改验证集隔离，不能照搬其headline为无泄漏泛化。 |
| 2610.03063 HARPO: Hallucination-Aware Reinforcement Learning for Faithful and Creative Language Generation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。HARPO训练hallucination-span reward model，只有预测零幻觉才激活写作reward，并配创作到忠实cosine课程；属层级多目标reward机制，不是新的GRPO；gate不保证真实无幻觉。 |
| 2610.02986 OLMo-Detect: A Multi-Stage, Confounder-Controlled Benchmark for Membership Inference on Large Language Models | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。OLMo-Detect是跨pre/mid/post训练membership审计任务，member/nonmember按质量、时间、词汇匹配，15无监督/3监督MIA与dev/test分离；官方仓库有数据和评分pipeline。评估成员识别/污染风险，不等同提升LLM推理。 |
| 2610.02856 Adaptive Mutual Distillation for Balanced Multi-Task Post-Training of Large Language Models | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。AMD对MFT/平滑SFT两分支互蒸馏，三类全局短probe从相同状态试增减/保持权重，丢弃probe参数后按各任务方向validation选择；6基准多骨干实测，probe成本必须计入。 |
| 2610.02835 All Work And No Play Makes Jack a Dull Boy: Understanding and Preventing Catastrophic Strategy Collapse in RLVR | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MeshLearning固定离线coach策略前缀（无中间计算和答案）探索，对正确轨迹相对pre-RLVR reference的策略logprob增长做uniform-KL均衡；推理时无coach，真实数学科学代码训练。 |
| 2610.02828 FSPO: Policy-Consistent Risk and Pareto-Feasible Control for Budgeted LLM RL Post-Training | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。FSPO policy-consistent risk-to-go ensemble、decision-conditioned calibration与Pareto continuation证书控制训练动作；正文区分24case ledger机制与Qwen3B真实GRPO trainer研究。接纳机制，不能把固定ledger效率当LLM能力提升。 |
| 2610.02781 OPD Before RL: Warm-Starting Rubric-Based RL with On-Policy Distillation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。RP-OPD先用rubric特权teacher top256 forward-KL暖启动，再切换rubric reward GRPO；三rubric领域多学生。HealthBench正文另列重叠/不重叠评价，正式复现须使用完全隔离数据。 |
| 2610.02700 Learning from Evolving Errors: Adaptive Iterative Repair for On-Policy Distillation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。AIR-OPD按首个错误anchor开始，保留1-epsilon纠正概率质量的块边界repair区域；多轮指导teacher特权蒸馏和gamma深度/rho即时成功归一权重；参考答案只训练分支，实际DAPO训练。 |
| 2610.02695 Test-time Calibration Learning for Large Language Model Reasoning | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。TTCL按答案一致性构造pseudo正确性/置信目标，reasoning-answer和confidence token分离优势，逐epoch冻结EMA目标cache；同benchmark无标签适应再评测，属于transductive TTT非独立未见测试。 |
| 2610.02614 What Is Lost in Post-Training? Default Collapse and the Loss of In-Context Steerability Across Diverse Perspectives | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SDM以相关性judge筛prompt、stance judge分桶，在维度群体分布上惩罚目标偏离并PPO；Llama8B两设置初步训练，不能把群体分布约束说成逐prompt保证。 |
| 2610.02444 Counterexample Generation via Per-Theorem Symbolic Verifiers: When Imitation Hurts and Reinforcement Repairs | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SymCE公开反例任务/逐定理Python verifier/结构schema和dense/sparse reward，可作RLVR/evolve评测；作者仓库含corpus/splits、oracle/sandbox、runner及逐条结果。schema由canonical witness构造，需审查是否泄漏答案形状，隔离任意Python执行。 |
| 2610.02359 Lexicographic Multi-Objective On-Policy Distillation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。LMOPD按最高优先未满足reward路由expert，再对centered log-policy correction一次顺序投影成virtual teacher；真实多expert实验，但专有训练语料、单次非正交投影不保证全部约束或reward级无退化。 |
| 2610.02324 Slow-Fast Multi-Teacher On-Policy Distillation for Capability Preservation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SF-MOPD维持EMA慢学生，以slow-fast logprob方向去除teacher冲突部分并JSD蒸馏+原MOPD正则；QwenVL2/4/8B多domain实测，需真实EMA参数而非固定reference替代。 |
| 2610.02206 KaliBench: A Fine-Grained Benchmark for Cybersecurity Tool Use on Kali Linux with Runtime-Free Verifiable Rewards | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。KaliBench公开8504 query-command/1642工具数据与runtime-free shlex评分，三个信息条件、alias-aware参数匹配可作工具使用评测。仅离线命令字符串评分，不等同实际环境执行成功；不得自动对真实目标执行命令。 |
| 2610.02191 The Missing Primitive: Diagnosing and Repairing Mathematical Reasoning in Large Language Models | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Absorb以数学primitive为训练teacher特权，用reverse-KL单侧clamp限制压低学生偏好的强度，保留正向teacher指导；Prim/HLE/HMMT/Omni实测。gold primitive不得进入被评价student。 |
| 2610.02190 Trust the Direction, Search the Step: Zero-and-First-Order Methods for LLM Fine-Tuning | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。ZFO沿基础一阶optimizer方向，用同batch正负两次前向估二三阶导，Taylor/Padé区间择步并奇点fallback；真实LLM微调与开销实验，须匹配额外前向预算。 |
| 2610.02140 Finetuning with Sampling: SFT Learns Better Than You Think | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Projection Sampling用expert条件proposal与Metropolis-Hastings分块采样使信息保留轨迹靠近base，再SFT；化学/数学/开放域真实训练。不得将有限MCMC近似等同理想投影精确采样。 |
| 2610.02019 Controllable Multi-label Video Safety Detection via Adaptive Tversky Policy Optimization | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。ATPO以FN/FP EMA log-ratio误差反馈调Tversky alpha/beta，固定和为2，可全局/类别控制多标签reward；真实VideoVLM训练，新增自适应reward控制器而非重命名标准GRPO。 |
| 2610.01955 Do Your Own Research: Learning to Forecast by Learning to Search | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。prime-forecast公开工具环境/历史问题/rollout记录，point-in-time过滤、封锁市场价格、Brier和弃答插补可独立评估研究预测；训练/测试按解决日期隔离。实时检索和API过滤非静态可复现，过滤的完美小样本结果不是无泄漏证明。 |
| 2610.01892 Selection-Based Structured Reasoning: Toward Efficient Multimodal Search Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SSR全文不是普通工具应用：六共享推理模板以batched teacher-forced mean-logprob softmax选择，再插入全文生成action；SFT selector NLL+action NLL，GRPO一个categorical selector ratio+action token ratios，插入模板不逐token训练。AppendixB实际detach rollout竞争分数仅首步概率精确、后续近似。Qwen3VL2B/4B七multimodal搜索任务，效率须计候选prefill；保留原post摘要漏判并由正文纠正。 |
| 2610.01670 Do MLLM Judges Judge the Edit? Auditing Bias in Image Editing Evaluation with Verified Quality Preservation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。EditJudgeBias独立judge偏差审计：quality-preserving cues、sham/retest噪声基线、顺序互换、paired统计。官方仓库有cue/judge/metric CLI，可评新judge，但不含全部图像/人工注释/作者I2EBench输出，不能宣称精确复现原数值。 |
| 2610.01560 AURAL: Adaptive Latent Reasoning with Joint Chunk for Speech Language Models | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。AURAL用对角+低秩协方差GMM联合latent chunks、CSA、可微两遍scheduled sampling，再按latent坐标归一ratio做GRPO；真实语音/文本基准和延迟，应保持整个latent模型。 |
| 2610.01316 What Wins a Vote? Formatting, Length, and Lexical Diversity in the French Compar:IA LLM Arena | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。公开偏好评估分析入口：投票时截断对话、风格/长度/词汇联合Bradley–Terry与model内对照；官方代码及derived data可读，原French ComparIA数据有gate。137293 decisive votes/116 models，complete-case127092；调整rank不是已证实更接近能力，不能因观察关联推断风格因果效应。 |
| 2610.01278 SCOPE-AD: Sequential cost-aware ordinal-belief planning with energy-based models for diagnostic agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SCOPE-AD以观测ordinal belief、离线soft Bellman EBM规划teacher，再masked KL蒸馏到Qwen；ADNI患者级1552/333/333，真实未取得值隐藏。限医学离线规划非通用OPD或临床部署。 |
| 2610.01238 Mixture-Trained Merging for Unified Multi-Objective Models | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MTM训练mixture-biased soft experts，以merge-simplex多目标BO选分支混合并迭代复用merged起点；真实Qwen4B/OLMo7B多域与think模式，必须validation选择并计入搜索训练。 |
| 2610.01128 Grounding Large Language Models in DSGE Simulators for Policy Generation and Forecasting | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。公开DSGE语言Agent环境：Snowdrop结构模拟器的状态深克隆、action校验、rolling forecast只提交首步、不可重写历史；matched PPO/GRPO共享起点/冲击。作者repo已可读，可作领域仿真任务；不是现实政策建议/实盘因果证据。 |
| 2610.01076 GLoC-EHR: Evidence-Cited Clinical Reasoning over Global Context and Local EHR Events | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。GLoC-EHR新增global/local EHR memory接口与分阶段alignment、evidence-only sufficiency辅助loss；128350患者7:1:2隔离及外院验证。RL本身标准GRPO，接纳架构/grounded训练机制，gold只teacher/scorer可见。 |
| 2610.00779 Effective Synthetic Data Curation Requires Group-Level Signals | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。group-level influence评估下游训练效用，以组内梯度diversity优先分配昂贵group oracle调用，未审组用individual proxy；真实pretrain/RLVR训练，需隔离reference与test。 |
| 2610.00767 Pre-training interventions, ex post facto: Grafting model beliefs across checkpoints | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。在base checkpoint学synthetic-document增量再加到post-trained模型，减少reality drift；多个模型及284B规模实测，区别于旧GRAFT的轨迹交换。 |
| 2610.00661 Exploring More, Reasoning Better: Stepwise Risk-Sensitive GRPO for Diffusion Language Models | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。StepRS-GRPO按denoising maskedness调风险系数并变换组优势，保留原diffusion trainer；binary reward下仅状态/题目重加权，真实SDAR1.7/4B训练和mass/RMS controls。 |
| 2610.00574 Make Sparse Rewards Count: Density-Aware Reward Aggregation for Multi-Reward RL | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。DARA按各reward活跃group密度sqrt(max-density/density)有上限加权，Asym仅放大正优势再batch normalize；ToolRL/BFCL-v4与数学真实训练。 |
| 2610.00568 Emergent Unfaithfulness: How Alignment Training Causes Language Models to Silently Override Task Faithfulness | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。FaithConflict公开940对确认/冲突文档、FaithGap与8行为/7推理类型judge，22 checkpoint×prompt条件；官方代码数据已可读。任务忠实性和事实正确性必须分开，不能以复述有害虚构文档作为安全改善指标。 |
| 2610.00431 ChainLoRA: Geometry-Preserving Task Vector Merging for Continual Learning in LLMs | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。ChainLoRA按QR carrier链式初始化、一侧几何正则，归档后SVD共同carrier与Procrustes对齐再共享/残差merge；真实持续学习三套数据。 |
| 2610.00385 FAER: Auditable Utility-Aligned Trajectory Replay for Language Model Post-Training | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。FAER-UTILITY在非target calibration块拟合梯度对齐/metadata replay权重并无放回抽样，trace冻结后才join正确性；正文完成learner行用normalized alignment，optimizer-aware虚步仅扩展/诊断，不能混称已验证。 |
逐项登记指针、标题和当前状态见 reconciliation.json。