READING PATH 04 / Agentic post-training让模型进入环境，
让经验回到训练。
把任务合成、沙箱、长轨迹、评分和策略更新连成一条真实的数据流。这是整条阅读路线的重心。
带着这个问题读一个持续行动的模型，如何从失败和成功中获得可靠的训练信号？
THE READING ORDER4 篇 · 同一问题，不同解法
01构造训练分布Kimi K2
Moonshot AI / 2025
工具库 → agent → 任务 → 轨迹；先拆开合成环境和真实执行。
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。
把长轨迹装进系统GLM-5
Z.ai / 智谱 / 2026
异步 rollout 如何改变 policy lag、token 对齐与优化。
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。
扩展环境与上下文DeepSeek-V4.1
DeepSeek / 2026
真实环境数据、长前缀复用与异步后训练的关系。
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。
规模、奖励和稳定性一起看MiMo-V2.6
Xiaomi MiMo / 2026
从通过单测到 groupwise agentic grading，逐图拆解 RL 全流程。
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。
CONTINUE EXPLORING方法会迭代，
判断的方法会留下。
读完一篇，试着写下：作者改变了什么，固定了什么，证据支持到哪里。
下一条路线：算子与集群