NeurIPS

How Reasoning Evolves from Post-Training Data: An Empirical Study Using Chess

推理如何从训练数据中演变：使用国际象棋的实证研究

Lucas Dionisopoulos, Nicklas Majamaki, Prithviraj Ammanabrolu

机构 * Department of Computer Science and Engineering, University of California San Diego, San Diego, United States（计算机科学与工程系，加州大学圣地亚哥分校，圣地亚哥，美国） 纠错

AI总结 研究语言模型推理从监督微调到强化学习的演变，发现直接预测最佳走法的微调能提升性能，但强化学习阶段导致不一致推理，而多步轨迹训练则能获得更稳定的推理。

Comments Accepted at ICML 2026. An earlier version appeared at the NeurIPS 2025 Foundations of Reasoning in Language Models (FoRLM) Workshop (Oral)

GraphLand: Evaluating Graph Machine Learning Models on Diverse Industrial Data

GraphLand：在多样工业数据上评估图机器学习模型

Gleb Bazhenov, Oleg Platonov, Liudmila Prokhorenkova

机构 * HSE University（莫斯科国立高等经济学院） ； Yandex Research（Yandex研究院） 纠错

AI总结 GraphLand引入14个多样工业数据集，评估图学习模型在不同规模和结构下的性能，探讨时间分布变化对模型的影响，并发现GBDT在工业应用中表现优异。

Comments Accepted at NeurIPS 2025 (Datasets & Benchmarks Track)