Overview
Overview 记录这个 topic 已经读过与值得继续排队的 reasoning 论文。这里的主线不是泛泛的“模型会不会想”，而是 文本中的推理轨迹如何被搜索、蒸馏、RL 放大、budget forcing 控制，以及这些训练方式到底是在创造新能力，还是在重排已有能力。
Scope
这个 topic 现在覆盖两类紧密相连的工作。第一类是 reasoning scaffold 与 search-style inference，例如 Tree of Thoughts 这种把思维树显式化的工作；第二类是 reasoning post-training 与 reasoning-time control，例如 DeepSeek-R1、DAPO、GRPO 动力学、LIMO 和 s1 这一支。它们共同讨论的是：推理表现到底如何被训练、采样和推理时预算控制出来。
它和 Safety & Alignment 的分界也需要很清楚。凡是主要在讨论 deceptive alignment、reward hacking、弱到强监督、sycophancy、character stabilization 或安全相关内部表征 的论文，都应该放到 safety_alignment；凡是主要在讨论 reasoning trace、CoT、test-time search、RLVR 是否真的扩展了 reasoning capacity 的论文，则留在这里。Reasoning Models Don't Always Say What They Think 这种跨界论文之所以被放在这里，是因为它正面追问的是 verbalized reasoning 与真实求解过程之间的关系。