ISO：RLVR 原生最佳化堆疊
為何重要
- 提供了推究 RLVR 訓練機制的關鍵視角，將最佳化目標從全量權重調整轉向「譜繼承」與「框架調優」，為降低後訓練成本提供具體解方。
- 對開發者而言，ISO-Optimizer 展示了在推理與編碼任務上，傳統最佳化器大幅減少訓練步數的潛力；對產業而言，這或許是下一輪模型迭代突破「算力瓶頸」的新方法學。
- 核心觀點：研究發現 RLVR 模型可透過「權重譜」來繼承預訓練基礎模型，僅需改變輸入與輸出的「框架」即可獲得新行為，並將此定義為 ISO 最佳化框架。
- 技術架構：ISO 包含離線版
ISO-Merger（僅合併專家框架，無需後續運算）與線上版ISO-Optimizer（固定譜、最佳化框架變化）。 - 效能驗證：在 Qwen3-8B-Base 上，標準 AdamW 需 270 步達到綜合準確率 0.495，
ISO-AdamW則僅需 100 步即可達同分，並在 210 步提升至 0.509。