学習の道筋

論文を読む

新しい仕組みを、実験できる理解に変える。

論文の改善率を鵜呑みにせず、課題、比較条件、仕組み、トレードオフ、実装演習へ分解して読むための教科書。

DeepSeek-R1の2025年論文を、報酬設計、蒸留、評価条件、再現実験、実運用の限界まで分解して読む。

2025年のs1論文を、test-time scaling、budget forcing、データ選別、再現と限界の観点から実装判断へ翻訳する。

DAPOの2025年論文を、報酬、長さバイアス、非同期・システム設計、再現実験と報酬ハッキングの観点から読む。

推論時の計算配分、RLの学習効率、短い推論、動的な長さ制御を扱う2025年の四論文を、主張と制約を分けて読む。