一个月前，我们曾报道过清华姚班校友、普林斯顿教授 陈丹琦似乎加入 Thinking Machines Lab 的消息。有些爆料认为她在休假一年后，会离开普林斯顿，全职加 入 Thinking Machines Lab。 最近，陈丹琦在普林斯顿大学的团队发布了最新学术成果，表明了 RLVR 范式在可验证领域之外依然有效，提出了 基于模型奖励思维的强化学习（RLMT） 方 法，它将显式的思维链推理融入通用聊天模型之中。 论文标题：Language Models that Think, Chat Better 论文链接：https://www.arxiv.org/overview/2509.20357v1 众所周知，大型语言模型传统上遵循一种多阶段训练范式：首先在大规模文本语料上进行 预训练，然后通过 监督微调 来学习指令跟随，最后借助 强化学习 来对 齐人类偏好。 机器之心报道 编辑：冷猫 思考自身行为的后果，并在必要时进行修正 —— 这是人类智慧的核心特征之一。 这种方法确实催生了功能强大的对话式 AI 系统，但仍存在一个关键局限： 在数学、编程等领域通过 可验证奖 励的强化学习（RLVR） 所获得的推理能力， ...