值得读，
也值得读透。

这篇报告把中训练、真实环境、评分计算、训练稳定性和蒸馏连成了一条完整链路。适合作为 Agentic Post-Training 的主读本。

它展示了架构与服务共同设计的前沿，同时明确声明后训练重点在数据和环境，适合纠正“每代进步都来自新 RL 算法”的直觉。

K3 不只是 K2 的规模更新。它把混合注意力、层间信息流、专家压缩与部署感知后训练放在一起，适合和旧代逐项比较。

这是一份架构与消融报告，不是假装完整披露全部后训练。它同时观察 loss、下游评测、效率和稳定性，尤其适合学习怎样做训练决策。

这里选 GLM-5 技术报告，因其训练阶段和异步 RL 细节充分；不把它冒充更新版本 GLM-5.3 的完整训练披露。

虽然不是最新代，V3 的公开系统细节仍是读新架构的好底座：路由、FP8、并行和部署都有可定位的说明。

Qwen3 的三阶段预训练和两条后训练路径公开得很清楚，是学习 pre / mid / post 接口的关键参照。

K2 把工具使用的数据合成、真实执行和可验证 RL 写得具体；同时为 K3 的 optimizer 与数据演进提供参照。

这篇是理解 reasoning RL 的关键转折；同时必须区分纯 RL 观察、多阶段产品配方和蒸馏结果。

这篇不仅是 GRPO 原始论文，也是数据构建与领域继续训练如何为 RL 建立起点的直接案例。

DPO 的推导短而关键。读清楚重参数化、reference 和数据支持范围，才能判断何时值得用离线偏好优化。

这篇能建立 process supervision 的准确边界：先区分训练奖励模型、用它选答案与直接用它训练 policy。

不是用它概括今天全部后训练，而是用这张经典系统图建立参照，之后才看得懂 DPO、RLVR 和在线蒸馏删改了哪些部分。

这是从理论进入 GPU 的最好入口之一。重点是 IO 与算子调度，随后再读新版本 kernel 或新架构。

它提供后续所有预算讨论的参照，但不是今天每个部署场景都必须遵守的参数/token 比例。