训练

GLM-5.2训练结束、参数冻结、进入部署后

LongStraw，它跑在MinT的训练侧，解决的问题是：长上下文推理早就跨过了百万token，但强化学习训练还没有。

MindForge，一个面向智能体强化学习的训练框架。

它能把已具备生产就绪能力的Harness直接引入强化学习闭环，用同样的路由工具、记忆布局、工具调用方式和Harness结构，确保模型训练时的条件与它最终运行时一致。

参数空间的迭代：把经验写进模型的可训练状态。

32B模型用r=8的LoRA，可训练参数只剩0.07B，增益达到20.61%。

7B模型用r=64的LoRA，可训练参数降到0.16B，增益反而升到11.31%；

更值得看的是另一组对比：在相近的RL预算下，1.5B模型做全参数RL，可训练参数1.5B，AIME2025上的归一化增益为8.33%；

而在工程侧，明星创业公司ThinkingMachinesLab也在验证一条高度相似的技术路径：用LoRA这类高效后训练手段，如果配置得当，可达到接近全参数微调的效果，同时还能大幅降低算力开销。

可训练的那一小块越小，底座越强，拿到的增益反而越高。