本文解读 OpenAI 的 Deliberative Alignment 论文。论文提出了基于推理的安全对齐新范式：直接教会模型安全规范文本，让模型在回答前显式回忆并推理安全策略。该方法已应用于 OpenAI o 系列模型，在越狱鲁棒性和过度拒答率上实现了 Pareto 前沿改进。

本文解读 DeepSeek-V4: Towards Highly Efficient Million-Token Context Intelligence。论文的核心不是单纯扩大参数规模，而是通过混合压缩注意力、mHC 残差连接、Muon 优化器和配套系统工程，把百万 Token 上下文从能力展示推进到可训练、可推理、可部署的模型设计问题。

本文解读论文 SkillRouter: Skill Routing for LLM Agents at Scale。论文研究大规模 skill registry 下的技能路由问题，指出完整 skill body 是关键检索信号，并提出一个 1.2B 全文 retrieve-and-rerank 路由系统，在准确率、延迟和端到端任务成功率之间取得较好平衡。

本文以 Qwen2.5-7B 指令微调、基于 GRPO 的 R1 风格推理训练和 Qwen2.5-VL 视觉微调为主线，梳理蒸馏、SFT、LoRA 与强化学习的关系，结合当前代码说明数据、训练、评估和工程边界。

本文解析 s1 如何以 1,000 条筛选后的推理样本微调 Qwen2.5-32B-Instruct，并通过预算强制在推理阶段控制思考长度。重点讨论数据筛选、Budget Forcing、实验结论及其适用边界。