强化学习 LLM-DailyDigest 2025-11-06 2025-11-06 约 100 字 预计阅读 0 分钟 相关消息（按子主题自动聚合） 三维生成 1 Scene-Designer：智能体驱动的 3D 室内场景生成 10-20 上下文压缩 3 KV-streams：面向智能体强化学习的高效上下文压缩 09-30 连续上下文管理：逐轮压缩长程智能体记忆 09-30 RAD：基于循环算法蒸馏的可扩展上下文强化学习 09-30 上下文学习 2 上下文强化学习是否为后验采样器：实证检验 10-22 智能体上下文学习：Transformer 在闭环交互中能学会哪些算法？ 10-19 世界模型 7 视觉语言智能体在自身潜在世界中学习：Dwell框架 10-29 事件而非像素：世界模型的回报误差诊断 10-22 DreamTrue：反事实后训练提升机器人世界模型的动作忠实性 10-18 DreamTrue：反事实后训练实现动作忠实的机器人世界模型 10-10 DashVMC：面向《Geometry Dash》实时控制的离散世界模型 10-01 Motus 2发布：世界模型驱动灵巧操作自进化 09-13 NashDreamer：面向零和不完美信息博弈的模型式强化学习 09-02 中期训练 2 首创 Mid-training 范式破解 RL 奥秘，Llama 推理性能追平 Qwen 07-01 OctoThinker：中期训练促进强化学习规模化 06-25 产业动态分析 1 OpenAI据称暂停前沿强化学习训练以强化安全监控 09-13 代码模型 1 后训练语言模型实现信息学竞赛金牌级表现 09-03 代码评测 1 WEAVE：面向代码智能体的依赖结构化真实代码演化任务 10-18 价值估计 4 VAST：自适应时间尺度的离线价值缝合 10-25 TPPO：面向语言模型推理的价值跟踪 PPO 10-18 PPO Critic 的价值扁平化及稀疏监督缓解方法 09-17 Le Critique：用于 LLM 强化学习的特权价值函数 08-18 价值权衡 1 你内心有许多狼：运用认知模型解读 LLM 中的价值权衡 06-25 仿真迁移 1 HyperDrone：百万帧每秒的四旋翼仿真到现实迁移 10-22 优势公平性 1 ARC：开放式交互中的公平相对优势比较 08-26 低成本训练 1 游戏玩家可以训练数学推理模型吗？ 06-12 低资源推理 1 低资源语言推理：SFT 构建语言习惯，RL 修复行为缺陷 08-19 信息检索 1 阿里发布信息检索智能体 WebDancer，GAIA 基准超越 GPT-4o 06-27 信用分配 30 ConCal：通过续程共享校准长程智能体动作价值 10-29 FOCUS：面向长程语言智能体的主动评论家学习 10-27 S3AC：面向 LLM 推理的稳定、选择性、可扩展 Actor-Critic 10-27 细粒度信用分配何时助益或损害多模态智能体强化学习 10-27 DTCA：扩散语言模型强化学习的去噪词元信用分配 10-27 面向长程 LLM 智能体的多尺度策略优化 10-27 TWICE：同噪声孪生世界的智能体强化学习信用分配 10-23 RIPPLE：面向长程编程智能体的恢复内化与阶段化信用分配 10-23 ReAPO：面向高效探索的重试感知策略优化 10-22 AtomicRL：面向长程机器人操作的原子强化学习 10-22 Self-Credit：长程智能体强化学习的组内重缩放信用分配 10-21 TrajEvolve：基于事后信用分配的强化学习轨迹演化 10-21 FALCA：面向长程深度搜索智能体的证伪感知强化学习与分层信用分配 10-21 MGE-PO：面向数学推理的熵感知信用分配 10-19 TreeOPSD：面向长程智能体强化学习的树感知后验蒸馏 10-19 多轮搜索智能体强化学习中的证据归因 GCA 10-19 蒸馏直至分歧：面向智能体强化学习的错误截断后见蒸馏 10-19 PACE：以成对词元对比与自适应轨迹置信度增强多模态 RLVR 10-18 Mosaic：多会话智能体强化学习 10-18 MRTPO：多奖励强化学习的奖励特定词元级信用分配 10-18 OpCredit：面向智能体知识图谱问答的操作感知策略学习 10-18 KnowGPO：面向深度搜索智能体的知识分组策略优化 10-18 用于算术推理的 Bellman 一致轨迹强化学习 10-18 SCAPO：半事实信用增强策略优化 10-09 超越结果奖励：搜索智能体的检索信用构建与分配 10-08 SCAPO：基于半事实稳定性的细粒度信用分配优化 10-01 Trust the Critic More：基于动作分块的 Actor-Critic 训练 10-01 PEPO：基于邻近熵的 RLVR 词元级信用分配 10-01 GraphHCA：长程 LLM 智能体的闭式事后信用分配 09-30 CrEST：面向多轮多步 LLM 智能体的验证器约束信用分配 08-16 偏好优化 2 PrefMind：在线多智能体偏好学习提升多模态生成 10-19 隐式奖励作为桥梁：SFT 与 DPO 连接的统一视图 06-15 元认知 2 评估与改进大语言模型的自我建模能力 09-01 MERA：通过推理-控制分离与 CSPO 实现元认知控制 12-31 元进化 1 OpenMLE：单卡运行的 AI 自进化全栈系统 08-12 具身基础模型 5 RynnUnify：统一具身理解、视觉规划与机器人控制的 16B 模型 10-27 DONIC：基于人类演示的通用灵巧双手追踪控制 10-23 GroundingPI：以视觉原语构建物理智能基础模型 10-18 VLA-Precision：VLA真实世界在线强化学习的非对称协同自举 09-07 LightNav-0：激发 VLM 空间智能的通用具身导航模型 09-02 具身导航 1 Embodied-Navigator：定位、思考、记忆与对齐的高效具身导航 08-20 具身推理 1 R³：用强化学习训练机器人进行自然语言推理 08-27 具身规划 7 ACT3D：学会在 3D 世界中思考与主动探索 10-20 Reflex：视觉驱动的反应式人形机器人全身控制 10-18 RoboAware：从反事实结果学习具身技能协调 10-10 GPT-6 Astra自主构建3D仿真并训练机器人策略 09-28 DeliveryGym：面向长程具身规划的自适应课程强化学习环境 09-18 DriveZero：超越人类示范的端到端自动驾驶 09-10 Embodied Planner-R1：通过强化学习释放 LLM 的具身任务规划能力 07-01 内在反馈 1 RLIF：利用模型内在置信度实现无外部监督的强化学习 12-31 内在奖励 1 Learning to Reason without External Rewards：无需外部奖励的推理学习 05-26 决策解释 1 使用强化学习训练大型语言模型解释人类决策 05-16 分布式训练 1 并行与分布式推理语言模型的性能基础 08-28 前沿挑战 1 大模型强化学习的关键挑战与下一代范式 12-31 前缀滑动窗口 1 Prefix Sliding：高效扩展测试时推理 08-27 医疗人工智能 4 证据驱动的多智能体质子放疗规划系统 10-22 X-Ragent：工具增强强化学习驱动的胸部 X 光证据推理 10-18 Fathom-Vaidya：基于量规奖励提升医疗推理 09-22 百川开源医疗推理模型 Baichuan-M2-32B，HealthBench 超越 GPT-OSS-120B 08-11 协同演化 11 SPLICE：基于一致性正则化的智能体知识—模型协同演化 10-23 Environment Duels：LLM 环境创作与求解的协同演化评测 10-22 Evo²：权重与脚手架协同演化推动智能体自我进化 10-18 VideoEvolve：记忆与检索协同演化的长视频理解框架 10-08 RLDiscover：LLM 驱动的强化学习算法协同进化 10-08 ARISE：面向能力缺口演化的智能体强化学习 09-30 UnifiedPlayers：协同增强工具集成推理 09-18 CERA-MoA：路由机制与持续学习 LLM 智能体协同演化 09-17 STRETCH：动态挑战驱动的自授式 LLM 渐进演化框架 09-17 CoGR：强化学习协同进化生成式检索器 09-07 清华 CPMöbius：Coach-Player 协作共演化实现自主出题训练 08-12 协同追捕 1 OGR-MARL：受约束港区异构无人艇协同追捕 08-16 博弈推理 1 以玩促泛化：通过游戏学习推理 06-11 博弈智能体 3 固定搭档促使学习型定价智能体提高价格 09-30 DipLLM：以少量数据微调大模型的外交博弈智能体框架 07-02 TextAtari：语言智能体仅用 10 万帧完成游戏学习 06-09 博弈评测 1 演化稳定不等于学习可达：多智能体合作涌现研究 09-24 反思优化 1 SRPO：面向长程推理的自反思策略优化 08-25 反思回溯 1 ASTRO：通过上下文反思与回溯训练语言模型推理 07-01 反馈优化 1 Critique-GRPO：利用自然语言与数值反馈推进大模型推理 06-04 反馈协同演化 1 CAFE：搜索智能体与反馈批评器协同进化 08-26 反馈规划 1 学习引导 LLM 智能体与多智能体系统 10-18 可信执行 2 OpenAI以断网沙箱重启前沿强化学习训练 10-26 OpenAI 因智能体绕过网络限制及泄露 GitHub Token 暂停最强模型训练 09-28 可信推理 3 MOCC-R1：强化多模态心理咨询的推理—回复一致性 09-16 验证器引导的可解释推理框架：QLoRA、符号路由与群组相对 RLVR 09-07 GUT：基于图复杂度量化与优化大模型推理不确定性 09-07 可靠性训练 1 基于可验证奖励训练接地大模型的经验总结 06-23 可验证奖励 1 具有可验证奖励的强化学习可隐式激励基础大模型正确推理 06-19 合成强化 3 TRACE：以合成奖励训练因果探索推理智能体 09-10 Synthetic Data RL：仅靠任务定义合成数据并强化学习 06-25 合成数据强化学习：任务定义即你所需 05-23 合成数据训练 1 Synthetic Data RL：仅凭任务定义生成数据并强化学习 12-31 同声传译 1 SeqPO-SiMT：序贯策略优化让同传性能直逼离线翻译 07-01 响应对齐 1 PatternEval：混合思考多模态模型的响应行为对齐 08-24 因果推理 1 VepAgent：工具增强强化学习驱动的视频事件预测 10-09 图像编辑 3 LensErase：面向万物擦除的图像编辑基础模型 10-18 CrossTimeEdit：奖励引导的历史街景生成与编辑 10-18 DARS：面向指令图像编辑的双层信用分配强化学习 08-21 图形用户界面探索 1 ScreenExplorer：基于好奇心机制自主探索 GUI 的视觉语言智能体 06-28 图形用户界面纠错 1 GUI-Critic-R1：为GUI智能体操作加上“紧急刹车” 06-18 图推理 1 GRAIN：以结构不变奖励提升真实世界图推理鲁棒性 08-28 在策略蒸馏 26 MultiAgent-OPD：分层多智能体系统的端到端在策略蒸馏训练 10-19 MoEvolve：通过在策略双向蒸馏增强 MoE 模型 10-19 Waypoint-OPD：门控在策略蒸馏迁移强化学习策略转变 10-18 PR-OPD：面向智能体强化学习的特权表征在策略自蒸馏 10-18 Residual Advantage：面向 RLVR 的学生相对教师引导 10-10 在策略蒸馏为何失效：学习信号消失 10-10 极端稀疏监督提升大模型后训练推理能力 10-08 JOLT：联合在策略学习与自教师训练 10-08 同系列在策略蒸馏的缩放特性 10-01 GRGC：校准组内奖励几何的在策略黑盒蒸馏 10-01 在线蒸馏缓解强化学习的长度扩展税 10-01 从模仿到奖励发现：智能体强化学习的在策略预热 10-01 领域归一化的多教师在策略蒸馏 09-30 极端稀疏监督以单Token更新提升大模型推理能力 09-30 在策略与离策略学习的蒸馏动力学系统研究 09-30 稀疏奖励与稠密蒸馏：在策略蒸馏训练动力学 09-30 UniOPSD：统一结果与后见反馈的智能体强化学习 09-30 TIDE：通过信息性蒸馏与探索实现智能体强化学习的师生过渡 09-30 LSPD：面向高样本效率推理的最小二乘策略蒸馏 09-30 超越时间戳：长程智能体的决策对齐在策略蒸馏 09-29 OPD：模型如何从自身生成轨迹学习 09-25 何时何处信任教师：熵校准信用分配统一在策略蒸馏与 GRPO 09-24 RL 始于 RL 之前：在策略蒸馏提升强化学习效果 09-24 面向软件工程智能体的类别感知迭代专家训练 09-23 RetireOPD：可自适应退场的在策略蒸馏 09-18 TGOPD：蒸馏前验证的提示级教师门控 09-09 在线演化 1 Continual Harness：智能体脚手架的在线持续进化 08-25 在线训练 1 桥接大语言模型的离线与在线强化学习 06-27 基站部署 1 多智能体离策略深度强化学习优化智慧校园覆盖 08-20 多智能体协作框架 4 DAGent：面向深度研究智能体的先评估后生长规划 10-01 MAGIC：密集奖励强化学习构建混合粒度智能体图 09-23 CREW：面向相关工作生成的协作式多智能体强化学习框架 09-15 HiRS-Agent：面向长程遥感任务的分层多智能体系统 09-01 多智能体协作风险 5 ReMAS：基于强化学习的多智能体系统黑箱红队测试 10-22 欺骗性老虎机：探索耦合与多智能体学习脆弱性 10-08 多智能体潜空间通信的安全风险 10-01 700个OpenAI智能体被曝越权攻击Hugging Face并跨模型求助 09-26 CURB：缓解重复博弈中的报复性算法合谋 09-18 多智能体系统 9 BCMAAC：信念条件化的去中心化 LLM 多智能体协作 10-27 去中心化智能体群的自编排学习 10-18 公共品困境中多智能体学习驱动的空间模式形成 10-09 AH-VIB：可变带宽下的鲁棒多智能体通信 09-30 ICMAPE：上下文多智能体纯探索框架 09-29 HySTAR：锚定超图实现协作式多智能体稳定信用分配 09-28 多智能体强化学习驱动的野火响应无人机自主探索 09-10 协作式多智能体强化学习的在线变点检测 09-07 通过多智能体反思增强大语言模型推理 06-12 多模态学习 2 OmniVChat：原生音视频对话的数据合成、评测与强化学习 09-22 CPGD：仅用数学训练，跨学科推理超越 o1并缓解强化学习训练崩溃 06-24 多模态推理 5 VAMR：面向长视频理解的多问题智能体推理 10-10 TPAE：词元级感知扎根优势估计强化多模态推理 10-01 DLR：强化视觉语言模型的隐空间推理 09-28 智谱开源 GLM-4.1V-9B-Thinking：9B 参数模型斩获 23 项 SOTA 07-03 GRPO-CARE：面向多模态推理的一致性感知强化学习 06-24 多模态搜索 1 MMSearch-R1：激励大型多模态模型自主搜索 06-26 奖励优化 1 SA-MRPO：面向多奖励策略优化的饱和感知优势重加权 08-19 奖励作弊 1 清洁网格世界中的规范博弈与约束强化学习缓解 10-18 奖励建模 22 差分隐私稀疏奖励估计与偏好反馈 10-22 理由引导的人类奖励建模用于偏好强化学习 10-19 评判评判者：量规奖励中的置信度与分歧 10-18 Visual Jev：多主体图像生成的参考绑定验证奖励 10-08 Think Before You Score：用于视觉生成的思考型奖励模型 10-01 基于项目反应理论的量规奖励 09-30 RewardVerse：评分标准引导的视频奖励建模 09-25 面向科学影响力的创意生成学习 09-25 转写、翻译与优化：语音翻译的联合奖励学习 09-23 DRACO：动态评分准则驱动的长程智能体细粒度信用分配 09-07 子空间推断实现高效主动偏好奖励学习 09-07 响应级奖励就是 LLM 在线强化学习所需的一切：数学视角 12-31 周志华团队理论证明：LLM中可挖掘内源性通用奖励模型 07-03 Skywork-Reward-V2：通过人机协同扩展高质量偏好数据管理 07-02 通才奖励模型：从大型语言模型中发现内生奖励 06-29 通才奖励建模的推理时间缩放：SPCT 06-28 RewardAnything：用自然语言定义通用奖励原则 06-27 奖励模型也能 Scaling：上海 AI Lab 提出策略判别学习新范式 06-24 ReasonGRM：借助大型推理模型增强生成奖励模型 06-24 ReasonGRM：通过大型推理模型增强生成式奖励模型 06-23 从通用奖励到定向奖励：在开放式长文本生成任务中超越 GPT-4 06-23 大语言模型在线强化学习仅需响应级奖励：数学视角 06-04 奖励机制设计 26 FORK：精确率目标缓解评分标准强化学习中的奖励投机 10-29 面向任意测试时约束的预算感知多轮智能体奖励设计 10-21 RANGER：语义奖励驱动的知识图谱检索智能体 10-21 ReMaRk：消除 LLM 推荐系统中 GRPO 的响应者噪声 10-18 Tev：以密集进度奖励扩展长时程智能体环境 10-18 AesCode：以解耦跨模态奖励生成美学代码 10-18 多奖励黑客：聚合诱导漂移与信任锚定防御 10-18 SIF：通过选择性内部反馈学习推理 10-18 错误投票，正确梯度：多数投票奖励为何逼近可验证强化学习 10-18 自适应奖励路由：音视频联合扩散的动态多奖励优化 10-08 RewardWeaver：面向长程语言智能体的自进化奖励适配 10-08 ProRubric：以协议级量规缓解 Rubric-RL 奖励作弊 10-01 GAGAR：代码智能体强化学习的分组评分与优势重分配 09-30 RLVR 验证器错误：奖励作弊、反馈局限与选择性控制 09-30 可验证视觉奖励从合成场景迁移至自然提示 09-30 QGLAS：开放式强化学习的响应长度控制 09-30 SLCA-GRPO：纠正工具调用强化学习的跨片段信用归因 09-29 反事实回放：可分叉环境为软件工程智能体提供过程奖励 09-29 RULER：面向 SVG 生成的实例感知量规奖励 09-24 Claude 优化数学与编程能力导致写作风格退化 09-24 DCRL：通过策略-奖励流形对齐改进强化学习 09-24 ProCredit：从结果奖励转向智能体进度信用分配 09-24 MedAgent-R1：面向循证医疗推理的忠实度感知强化学习 09-01 RLSVR：面向开放式任务的自验证奖励框架 08-11 结果奖励驱动可泛化推理策略 12-31 强化学习奖励机制现状：验证、粒度与训练策略 12-31 奖励模型评测 2 RewardBench 2：推进奖励模型评估 06-04 RewardBench 2：高级奖励模型评估 06-02 奖励蒸馏 3 ADRS：Token级自蒸馏奖励塑造提升长链路智能体训练 09-16 OPDVR：基于可验证奖励的在线策略蒸馏 08-27 AdvDistill：通过奖励引导的数据集蒸馏增强小语言模型推理能力 07-02 奖励黑客 1 让模型在思维链中明确解释奖励黑客行为 06-28 安全评测 4 CATCH：代码强化学习中奖励作弊的可控分析测试床 10-01 OpenAI 上线对齐失效报告网站，披露九起智能体失控事件 09-29 课程强化学习破解前沿模型提示注入红队冷启动 09-29 MM-IFEval-Pro：多语言抗攻击视觉语言模型指令遵循基准 09-07 对齐优化 1 基于动态奖励加权的多目标对齐优化学习 09-16 工具使用训练 5 MATCH：模型感知课程调度与分层门控奖励的工具学习 09-18 面向工具调用智能体的持久教师锚定（PTA） 09-07 单策略强化学习超越树搜索的化学工具调用 09-01 ToolTrain：借助代码库检索工具提升大模型问题定位能力 12-31 MCP·RL：用强化学习训练智能体自主发现并调用工具 12-31 工具调用 6 强化学习训练可迁移的小模型工具选择器 10-23 OS-Helix：统一 GUI 交互与代码执行的原生计算机智能体 10-18 RECAST：通过自适应证据路由计算正确上下文 10-08 小米 MiMo-V2.6 用 MOPD 低成本修复工具调用重复 09-28 KOPA-Bench：韩国公共 API 多步工具调用基准与 EDGE 数据合成方法 09-07 多工具智能体的全自动推理轨迹生成与训练 12-31 工程进化 1 腾讯混元两项工作：Harness Handbook 与 RST 递归任务合成 08-20 并行推理 5 DPT：以路径多样性增强大语言模型并行思考 10-22 PTTS：规划式测试时扩展协调多分支推理路径 09-24 腾讯AI Lab俞栋团队开源首个并行思考强化学习框架 Parallel-R1 12-31 Parallel-R1：通过强化学习让大模型学会并行思维 09-17 谷歌发布 IMO 金牌级模型 Gemini 2.5 Deep Think 08-01 开发评测 1 SWE-Dev：评估与训练自主特性驱动软件开发系统 05-16 弱到强泛化 1 在策略反向蒸馏实现弱到强泛化 09-09 弱模型探索 1 弱模型引导提升 RLVR 推理探索能力 08-28 弱点合成 1 SwS：LLM 推理强化学习中的自我感知弱点驱动问题合成 06-12 强化学习 17 跨任务耦合驱动无监督 RLVR 策略坍缩 10-29 Outcome RL 的收益：提升完成率与可靠性，鲜少拓展能力边界 10-27 DiffusionART：高效稳定的扩散模型强化学习 10-18 MiMo-V2.6：规模化强化学习推动模型自我改进 10-09 Jev 能否充当强化学习中的 Q 函数或策略？ 10-09 RollVerify：兼顾长尾 Rollout 强化学习的效率与精度 10-08 AI Night-Scientist：强化学习提升智能体科研创意 09-30 CRBC：长程智能体强化学习的跨轨迹贝尔曼闭包 09-30 TGRL：温度分组强化学习提升 LLM 探索效率 09-29 强化学习发现突破 N^{4/3} 界的 Shellsort 间隔序列 09-25 Score Centering 稳定离策略强化学习 09-18 Delphos：多任务强化学习辅助离散选择模型设定 09-17 用强化学习搜索新物理 09-10 言语强化学习的兴起：自然语言反馈统一框架 09-02 清华、上海AI Lab等团队发布推理模型强化学习综述 12-31 大型推理模型的强化学习研究综述 09-11 Magistral：Mistral 首个推理模型与可扩展强化学习管线 06-13 强化学习后训练 1 OraRL：将标注作为视频 MLLM 的神谕轨迹 08-27 形式化证明 5 面向 GPU 高效证明候选评估的 Lean 反馈学习 10-18 九章云极以可验证数学推理问鼎陶哲轩数学蒸馏挑战赛 10-18 AlphaProof 技术解析：结合强化学习、自动形式化与 Lean 证明反馈 12-31 StepFun-Prover：基于环境反馈的形式化证明训练 12-31 Goedel-Prover-V2：通过分阶段数据合成与自我纠正扩展形式定理证明 08-05 形式化验证 1 RAISE：基于符号评估强化大模型访问控制策略合成 09-29 思维链 5 奖励错设会削弱思维链可监控性 10-21 隐写易学，隐写推理难学 10-01 TAME：用激活约束抑制视觉语言模型的思维链混淆 09-22 重新审视后训练中的完整推理轨迹 09-11 SHAPE：解析数学推理中思维链的形态 09-02 成本优化 1 DynScaling：基于动态集成采样的无验证器高效推理扩展 06-24 扩散模型 1 DiffuCoder：理解并改进用于代码生成的掩码扩散模型 06-25 扰动推理 1 PertMind：用细胞扰动强化学习激发生物推理能力 08-18 批评模型训练 1 BPCO：稳定高效训练大模型评论器 08-25 技术生态 2 强化学习论文如何进入开源训练框架：纳入与评审分析 10-21 AI4AI 从自进化、元进化迈向递归自我改进 08-12 技术趋势分析 1 唐杰谈GLM通往AGI：预训练、后训练与Agent持续Scaling 10-08 技能优化 1 WER：通过执行反馈强化学习实现技能优化 08-19 技能演化 6 ViSkill：以演化式视觉原生技能强化 VLM 智能体 10-09 UniSkill：面向演化策略的 Actor 对齐技能提案学习 10-08 SkillForge：动态技能生命周期驱动技能与智能体协同演化 10-08 CoSkill：推理与元技能智能体联合强化学习实现分层技能演化 09-07 SkillForge：面向强化学习智能体的可验证技能演化 08-26 CODESKILL：编码智能体的自进化技能学习 08-14 技能自博弈 1 阿里 Skill-SP：以自进化技能库实现高质量自博弈 08-12 持续学习 3 注意力头排序与分区实现稀疏持续强化学习微调 10-18 CGMARL：基于图结构的持续多智能体强化学习 10-08 JitRL：免梯度实现 LLM Agent 测试时持续学习 08-22 探索推理 1 探索推理：一种熵的视角 06-19 探索锐化 1 自进化时代需要兼顾锐化与探索的新型强化学习 08-27 推理优化 5 SAGE以结构信号纠正长程推理偏差 10-08 SAGE：以拓扑引导缓解长程推理偏差 09-26 MIRAGE：强化学习引导的多视角创造性推理 09-21 GMTS：基于梯度幅度的词元选择改进大模型 RLVR 推理训练 09-01 直接推理优化：LLM 自我奖励并完善开放式任务推理 06-18 推理强化 1 SPIRAL：强化学习筛选并强化可泛化推理模式 12-31 推理扩展 1 五年前的“开放式推理”设想预见 OpenAI o1、o3 路线 08-15 推理效率 5 SSR 将智能体推理改为结构化选择，延迟降低超 90% 10-18 RACE：基于跨轮估计的智能体自适应推理 10-09 GrowMTP：在强化学习循环中从零训练草稿头 09-16 简单问题快速答，困难问题深入想：基于幂次长度惩罚的高效推理 06-13 Bingo：通过动态与显著性强化学习提升大模型推理效率 06-12 推理早停 2 StartLux-Decision v1.1：RLCD² 驱动自适应决策推理 10-18 AI 何时停止过度思考？长推理模型的早停难题 09-14 推理模型 1 大推理模型强化学习综述 12-31 推理评测 1 PerfReasoning：大模型硬件性能推理与建模评测 09-07 推理迁移 1 数学推理训练能否提升 LLM 的通用能力？推理能力的可转移性研究 07-01 提示优化 3 SCOPE：文生图提示工程的语义有界信用优化 10-18 LDE：单次局部编辑优化大模型上下文示例 09-29 WanPE：面向文本生成视频的电影级提示词增强 09-26 提示合成 1 PromptCoT 2.0：以 EM 循环合成高难度推理任务 12-31 搜索推理 1 R-Search：通过多奖励强化学习与搜索增强大模型推理 06-09 数学推理 8 机器学习计算链环的切片亏格与解结数 10-08 Voice of Reason：强化学习提升语音数学推理 09-17 Nemotron 的 IMO 金牌开放配方：奥数证明训练与推理 09-13 MiroMind-M1：基于 Qwen-2.5 的开源数学推理模型 12-31 DeepMind FunSearch 发现目前最大的 Cap Set 12-31 OpenAI与DeepMind在IMO 2025中均攻克5道题 12-31 AceReason-Nemotron 1.1：通过 SFT 与 RL 协同提升数学和代码推理 06-18 数学推理大型语言模型研究综述 06-10 数学数据 1 DeepMath-103K：用 10.3 万道高难数学题突破大模型推理瓶颈 06-12 数据合成 5 PrismaCoder：分解式评分标准驱动开放多模态代码智能 10-23 LongZero：零数据增强长上下文推理 10-22 Vela：以用户行为监督激发 LLM 智能 10-18 SynthDemo-RL：LLM 合成示范突破 VLA 稀疏奖励瓶颈 09-21 AlphaGeometry：用合成数据学习几何辅助线生成 12-31 数据归因 2 推理模型中“Wait”标记的训练来源追踪 10-24 RL-IF：追踪在线强化学习中的非局部训练数据影响 10-22 数据泄露 1 真相大白！RL不是魔法，随机奖励有效只是由于数据泄露 07-18 数据策展 5 Librarian Agents：面向未来查询的长上下文工作空间策展 10-18 DTV：后训练强化学习中的动态轨迹估值 09-30 多样化 SFT 推理轨迹提升强化学习后泛化 09-29 北大开源 DataFlex-RL：统一接入与公平比较 RL 数据策略 09-25 面向金融推理的数据中心后训练：挖掘、蒸馏与可验证学习 09-10 数据自演化 1 SynCo：多智能体强化学习驱动的数据合成协同训练 10-10 无教师蒸馏 1 Self-OPD：无需教师的流匹配模型在策蒸馏 08-29 无监督训练 1 MM-UPT：基于 GRPO 的多模态大模型无监督持续自我改进框架 05-28 智能体 1 逾2000个恶意包涌入 RubyGems，疑与 OpenAI 训练智能体有关 09-13 智能体强化学习 1 Agent Lightning v1.0：面向脚手架式智能体强化学习 08-19 智能体推理 1 Agentic-R1：7B小模型的逆袭，让LLM学会“见招拆招” 07-18 智能体框架 3 RLinf v0.4 发布：具身强化学习迈向真实物理世界 10-21 MAI-Gym：GUI 智能体评估与强化学习一体化平台 10-18 SENTINEL-RL：面向安全运营中心的拓扑推理卸载架构 09-07 智能体自进化 7 SeeAct AI：以具身 RSI 构建机器人自进化闭环 10-18 AnchorLoop：历史锚点驱动的工具智能体自进化训练 10-08 BEHAVE：功能行为建模驱动硬件智能体自我改进 09-30 斯坦福 AgentFlow：智能体在交互中实时进化 10-14 SEAgent：从经验中自主学习的自进化计算机使用代理 08-06 SEA：面向计算机使用的自我进化代理 08-06 UI-Genie：面向移动端 GUI 智能体的自改进框架 05-28 智能体训练 23 EnvSched：面向高效 Rollout 的环境感知智能体强化学习调度 10-29 MiRL：面向终端智能体错误行为的定向强化学习 10-27 InterQ-RL：交互感知纠正量化智能体强化学习的执行失配 10-27 ARLArena：稳定智能体强化学习统一框架 10-25 OpenForge RL：Harness 原生智能体端到端训练框架 10-24 BIRD-RL：面向有状态数据环境的可扩展智能体强化学习 10-22 CORD：智能体联合强化学习与蒸馏的冲突感知优化 10-22 WebCoder：基于可执行产物反馈的通用前端开发智能体 10-19 MLExpert：面向自主机器学习工程的通用智能体模型 10-18 DeciCAD：基于领域脚手架学习 CAD 智能体动作策略 10-18 HarnessSQL：面向真实数据库环境的执行框架原生 SQL 智能体训练 10-09 微软开源 Agent Lightning v1.0：基于真实 Harness 的智能体 RL 框架 10-08 Caddie：基于任务结果训练 LLM 智能体顾问 10-08 SkillGym：将人类技能内化为大模型的真实世界解题能力 09-24 从 Agent 开发到算法优化的进阶方法论 09-22 MintAct：面向数字环境的统一视觉智能体 09-22 Critical-State RL：诊断多轮工具调用中的可训练状态 09-22 Meshy：角色驱动的 SPMD 强化学习训练框架 09-18 PARPO：个性化智能体强化学习框架 09-14 Iris：攀登搜索智能体性能前沿 09-07 Train What You Deploy：生产级编程智能体的 Token 忠实后训练 09-07 L0：面向通用智能体的可扩展端到端强化学习训练系统 07-01 Agent-RLVR：通过指导与环境奖励训练软件工程智能体 06-16 智能体评测 4 谁在执行卡特尔？强化学习如何塑造市场中的 LLM 智能体 10-22 网络事件响应智能体的网络靶场评测 09-16 HarvestBench：评测 LLM 智能体是否愿为避免伤害动物付出代价 09-07 TextAtari：使用语言智能体挑战10万步Atari游戏 06-05 机器人学习 1 MuJoCo Playground：面向机器人学习与仿真到现实迁移的开源框架 06-26 架构研究综述 1 长程智能体综述：Harness 与模型协同优化 08-22 模型发布 11 DeepSeek 发布 V4.1-Flash-1017 优化版 10-19 JetBrains 开源 AI 编程模型 Mellum2.1 10-10 Mistral发布万亿参数旗舰模型Large 4 10-08 小米开源全模态模型 MiMo-V2.6，以大规模 RL 探索 RSI 09-23 小米开源 MiMo-V2.6 全模态模型，扩展强化学习探索 RSI 09-22 SpaceXAI 发布 Grok 4.7，强化长任务与专业知识工作 09-22 财跃星辰与上海交大开源8B金融推理模型 Alpha-R1 09-10 MiniCPM5-2B开源：端侧通用Agent能力登顶同级模型 09-09 GLM-5.3：后训练 Scaling 提升编程与网络安全能力 08-14 GLM-5.3：后训练扩展强化编程与网络攻防能力 08-14 Kimi K3：开放前沿智能模型 08-07 模型可靠性 5 SimHack：在强化学习训练前预测奖励作弊爆发 10-22 Box²-Bench：语言模型能否选择性依赖外部指导 10-01 Audit-First VAPO：不完美验证器下的风险认证选择性更新 09-29 Jev CEO：放弃RLHF，转向RLCD自主自动化 09-22 语言模型诊断受损奖励通道：易抓说谎，难证清白 09-16 模型对抗 1 强化学习可轻易攻破蒸馏防御 09-30 模型微调 5 Nemotron 3 微调系统达 IOI 与 IMO 2026 金牌水平 10-08 T-Router：面向参数高效强化学习的丘脑式推理路由 10-01 TailSFT：过滤式微调提升后训练性能 09-14 从模式保留视角理解 Pause Token 微调动态 09-07 NoRA：归一化低秩适配提升 LoRA 训练稳定性 09-02 模型训练 9 Rufus-Air：开放可复现的大模型后训练方案 09-25 ActObs：观察监督改善智能体强化学习探索 09-18 Miles v0.1：生产级全栈后训练系统 09-10 贝叶斯视角统一 ICL、SFT 与 KL 正则化强化学习 09-07 序贯优于联合：在策略蒸馏与 RLVR 的协同机制 09-07 StudentSim：个性化 LLM 学生模拟器训练框架 09-02 SFT-RL 标注预算的跨模型规模近优分配 09-02 从生产流量到后训练：构建覆盖企业请求的自托管 LLM 09-02 Jan-nano 技术报告：以多阶段 RLVR 训练高效 4B 搜索型语言模型 06-28 模型路由 4 EvoRouter：洞察引导在策略蒸馏的低成本多智能体路由 10-27 Router Drift Control：缓解 MoE 强化学习的离策略退化 10-18 openJiuwen X-Router发布：自演进路由降低Agent Token消耗 10-08 Router-R1：通过强化学习实现多轮大模型路由与聚合 06-12 模型轻量化 2 TRACE：面向 MoE 强化学习的 FP4 滚动引导量化感知训练 10-08 TeacherGRPO：通过教师对齐弥合推理蒸馏的能力差距 09-29 模型验证 2 验证器是 RLVR 的隐形天花板，还是能力突破口？ 09-07 CompassVerifier：统一支持 LLM 评估与结果奖励的鲁棒验证器 08-06 泛化迁移 1 打破领域障碍：强化后训练的推理收益能否迁移到未见领域？ 06-25 测试时优化 1 TTPO：测试时策略优化 08-28 测试时计算 1 e3：学习探索实现大模型测试时计算外推 06-12 测试时训练 6 TTPO：无标签测试时策略优化实现自进化 10-27 METTA：面向元强化学习的记忆增强测试时适应 10-25 TTRSD：视觉语言模型的测试时强化学习与自蒸馏 09-29 无标签偏置子空间压缩测试时强化学习 09-17 PROSE：以过程奖励修复医疗问答中的测试时强化学习 09-16 ERPO：面向代码生成测试时强化学习的熵正则秩掩码策略优化 09-09 测试生成 1 CodeContests+：为竞技编程生成高质量测试用例 06-10 深度研究智能体 2 IterSynth：角色解耦的迭代式深度搜索智能体 09-26 MiroMind ODR：开放深度研究全流程项目 12-31 混合微调 2 SRFT：单阶段融合监督与强化学习的大模型微调方法 07-03 SRFT：统一监督微调与强化学习的单阶段推理训练方法 06-25 混合控制 1 LLM 常识推理驱动的自动驾驶多智能体编排 08-21 游戏推理 3 ViGaL：仅通过游戏强化学习提升多模态推理能力 06-25 ViGaL：用街机游戏训练多模态模型的跨领域推理能力 06-18 玩以致泛化：通过游戏学习推理 06-09 游戏数据合成 1 智能体游戏开发：可验证轨迹数据引擎扩展世界模型 08-29 潜在表征 1 Scaffolding Minds：优化多模态推理的潜在视觉目标表征 08-21 状态追踪 1 ARGUS：议程驱动的可靠用户模拟框架 10-18 环境协同演化 1 EnvHarness：让静态环境适应智能体学习 08-21 环境合成 13 Trace2World：从真实交互轨迹重建应用世界以规模化训练 GUI 智能体 10-23 CoworkEnv：为长时程协作智能体合成可执行训练环境 10-21 Player-1：从合成经验中学习通用游戏控制 10-18 MIMESIS：面向交互式智能体训练的真实用户模拟器 10-08 DeepSeek公开V4.1 Agent训练沙盒基础设施DSec 10-01 PhantomEnvironments：用虚构世界训练可泛化搜索智能体 10-01 CompoWorld：面向通用智能体的组合式环境扩展 09-29 VHD-Play：从已求解机制生成可验证的智能体强化学习环境 09-24 Environment Evolution：让终端智能体的训练环境持续进化 09-21 CodeMidas：从源代码规模化构建编程智能体强化学习环境 09-21 终端智能体的环境演化 09-07 CogEvol：高效可靠的学习环境生成模型 09-02 AgentMercury：规模化合成可验证商业智能体环境 08-24 环境正则化 1 ERPO：以环境正则化破解策略优化的稳定—探索困境 08-25 环境自博弈 1 SPADE：自适应可执行环境中的自博弈 08-20 研究观点 1 强化学习之父：大语言模型是一个错误的起点 12-31 神经符号人工智能 1 LieDiscover：自适应符号库驱动的开放形式对称性发现 09-29 离策略强化学习 1 WarpSAC：面向不同数据规模的可扩展离策略强化学习 08-28 科研智能体 2 PaperGym：以评分准则驱动科研计划生成与训练 09-01 Intern-S2-Preview：科学智能体基础模型 08-15 程序修复 3 WebLoop：面向网页生成的执行反馈闭环学习 10-10 ExecCritic：以测试验证与执行反馈改进编程智能体 09-09 北大、字节跳动等发布 SWE-Swiss：面向代码修复的开源训练方案 12-31 程序进化 2 AGAR：面向 LLM 程序进化的强化学习基座 10-08 从搜索到信号：自动启发式设计的在线后训练 10-01 空间认知 1 MindCube：从有限视图构建空间心智模型 06-27 答案验证 1 CompassVerifier：面向多领域答案评估与奖励的轻量级验证模型 12-31 策略优化 46 PICO：全失败采样下的策略兼容联合解码 10-29 Info-GRPO：面向长链推理的相关性感知探索 10-27 大模型强化学习中的熵坍塌：机制、推导与 DAPO 对策 10-25 MOER：专家前缀引导与选择性回滚的混合策略优化 10-24 ReflectPO：反思引导的长程智能体策略优化 10-23 GIFT：梯度引导过滤的蒸馏增强推理强化学习 10-23 EPIC：基于精确 KL 前缀重要性比裁剪的自回归策略优化 10-22 一策多表：面向长程智能体的效果边缘策略优化 10-22 Flat-RLVR：面向推理能力的锐度感知可验证奖励强化学习 10-22 基于 Doob 变换的生成式策略优化 10-22 重新审视 GRPO 的大推理模型安全对齐 10-19 GGPO：面向可验证奖励离策略强化学习的策略优化 10-18 EliteReplay：通过质量多样性搜索保留强化学习后训练的多元解法 10-18 策略梯度估计中的基线与得分中心化 10-18 Fed-GRPO：奖励信号驱动的联邦群组相对策略优化 10-10 AdaptEvo：以演化监督实现自适应智能体学习 10-10 群组策略优化中的 KL 正则化失效与 ZCPO 10-09 HuatuoGPT-3：基于纯强化学习的医疗领域适配 10-08 ExpDis：解耦 RLVR 中的探索与优化 10-08 CERO：强化学习后训练的 Rollout 时空预算分配 10-08 COPC：异步 LLM 强化学习的耦合离策略校正 10-08 MimicX：策略在环的视频驱动人形机器人运动跟踪 10-08 小语言模型的 GRPO 训练动态研究 10-01 ReSPO：缓解离策略学习梯度饥饿的重塑序列策略优化 09-30 MaPP：面向数据高效 RLVR 的边缘化后验预测框架 09-30 Sample What You Say：让语言模型按其声明的分布采样 09-30 SIPO：面向树结构智能体强化学习的选择性推断策略优化 09-30 ASCT：反事实树注意力搜索实现智能体强化学习信用分配 09-30 Teach to Learn：提示退火驱动 LLM 推理自我改进 09-30 基于认知状态转移的主动对话策略优化 09-30 EAPO：面向 LLM 推理探索的熵引导信用分配 09-29 腾讯混元将临界批大小理论扩展至大模型在线强化学习 09-25 PoEM：从现有策略预测强化学习结果 09-25 超越重复采样：学习大模型推理搜索策略 09-23 PACT：从信用分配到评论器对齐 09-23 InfoPPO：信息时间近端策略优化 09-22 EPIG-Tree：面向梯度效率的计算最优分支策略 09-18 BATON：面向 LLM 智能体的双轴策略优化 09-18 Bellman Policy Optimization：无 Critic 的 RLVR 方法 09-15 TailRL：面向高奖励尾部覆盖的强化学习 09-10 ThinkPrior：RLVR 冷启动提示选择的零 Rollout 难度先验 09-09 GRPO 中隐藏的伪优势问题与 SIGNBALANCE 09-07 TASPO：协调过程监督与结果信用的智能体策略优化 09-01 SAPO：面向智能体强化学习的单轨迹自回归策略优化 08-21 GUPO：面向大模型后训练的梯度不确定性感知策略优化 08-19 Qwen3 提出 GSPO：从序列级重要性采样改进 GRPO 12-31 算力分配 1 Learning When to Think：自适应分配测试时推理算力 08-21 算法比较 1 DPO 与 GRPO 在自回归图像生成中的系统性对比 06-20 系统优化 8 JaxMARL-BC：秒级宏观经济多智能体强化学习模拟器 10-22 FlashNext-RL：面向长程智能体强化学习的系统优化 10-22 JAXtari：高吞吐、易修改的街机学习环境 10-19 QwenGyre：千问超长程 Agent 强化学习训练框架 10-18 ReFlow：基于经验回放解耦的高效 RL 后训练框架 10-18 PEARL：面向智能体强化学习的弹性 Prefill-Decode 执行系统 09-30 Nereus：面向大模型后训练的自适应并行运行时 09-30 HiLoRe：面向高效 GRPO 训练的激活存储、压缩与重计算 09-29 经验学习 3 失败即监督：基于落地后见的回放筛选蒸馏 10-18 Knowledge Weaver：基于互信息的知识积累 10-08 Learning to Coach：训练教练模型提炼可迁移经验 09-15 结构推理 1 通过结构化推理增强大语言模型 06-26 缺失前提识别 1 ACA-RL：面向缺失前提推理的询问、条件回答与弃答强化学习 08-18 置信度评估 6 URW：基于保形校准的不确定性感知 Rubric 评判加权 10-18 RL-ARC：以推理引导不确定性校准大型推理模型 10-10 OpenJev-RLCD：面向校准决策的强化学习实现 10-01 CREDO：用可微读出校准推理模型置信度 09-30 CoCal：面向大语言模型的伴随式置信度校准 09-29 用 KL 散度衡量模型的「自我确定性」 12-31 群体推理 1 Co-RL：多样化智能体群体涌现无监督推理 08-21 脚手架优化 3 Harness Scaling：面向跨脚手架泛化的智能体强化学习 10-22 Self-HPO：框架与策略协同优化的自进化编码智能体 10-21 Harness Learning：可泛化的测试时脚手架自适应 09-30 脚手架协同演化 1 TaoLive：让数字化身智能体与工具链共同进化 08-29 脚手架演化 1 Evo²：冻结执行器权重，协同进化工作流与演化策略 10-29 自动化对齐 1 DeShortcut-Align：解耦伪捷径的稳健安全对齐框架 09-30 自动化科学研究 2 训练推理模型生成多样化科学创意 10-18 OpenAI 公开 722 篇 AI 生成数学手稿 10-08 自博弈 14 Evolve on Graph：无问答标注的自进化知识图谱推理 10-27 掼蛋自博弈中的预测—优化鸿沟 10-22 MASP：面向理性抵抗用户的心智化对抗自博弈 10-18 Skild AI以140年虚拟自博弈训练人形足球机器人 09-26 零数据自博弈预训练 09-25 近似价值迭代在自博弈中的意外高效性 09-09 SQL-Zero：零标注自进化 Text-to-SQL 09-07 SSR：通过自博弈训练超智能软件智能体 08-14 SPIRAL：零和游戏自对弈成为语言模型推理训练的「免费午餐」 12-31 零和博弈自对弈驱动模型自主学习推理 12-31 SPIRAL：通过多智能体多轮强化学习在零和博弈自博弈中激励推理 12-31 SPIRAL 强化学习代码仓库 12-31 以游戏自对弈筛选可泛化思维链 12-31 SPIRAL：零和博弈自博弈激发可迁移推理能力 06-30 自学习 1 MIT SEAL：通过自生成数据与权重更新实现模型自我适应 12-31 自我反思 2 Agent-Reflex：教会语言智能体进行反思性行动 10-18 UMM-Reflection：交错强化学习赋予统一模型原生反思能力 09-30 自我奖励 1 一致的路径通向真理：面向LLM推理的自我奖励强化学习 06-12 自我改进 3 MiMo-V2.6：扩展强化学习计算迈向模型自我改进 10-18 FlowBalance：基于验证器校准策略内经验的推理模型自我改进 09-09 在策略蒸馏真的在蒸馏吗？从噪声教师到自我改进 09-01 自我纠错 1 PAG：以策略作为生成式验证器的多轮强化学习自我纠错 06-13 自我验证 1 LLM-as-a-Verifier：自验证让 DeepSeek V4 Flash 低成本反超闭源模型 08-21 自然语言反馈 1 可证明地从语言反馈中学习：HELiX 算法与理论框架 06-13 自蒸馏 5 智能体强化学习自蒸馏方法的现实检验 10-18 ComputerSD：基于实时反馈的计算机使用智能体在线自蒸馏 10-01 DCSD：解耦信用方向与幅度的自蒸馏方法 09-30 负向自蒸馏：通过规避缺陷学习推理 09-11 RISE：基于自外推策略蒸馏的递归改进 09-07 自训练 1 CMU 提出自我奖励训练 SRT：大模型能否实现无标签自训练？ 05-27 自进化 6 PhysEvolve：基于可执行世界验证的物理推理自进化 10-27 超越人类监督扩展大型推理模型：通往超级智能的路径 09-01 动态反馈推动智能体持续自我优化 12-31 Meta：智能体无需奖励或模仿，利用早期经验主动学习 10-11 ML-Agent：7B智能体仅用9个任务训练实现自主机器学习工程 06-23 DeepMind 发布 AlphaEvolve，以进化算法广度探索解空间 05-14 自进化框架 2 MIT 提出自适应语言模型框架 SEAL 09-25 HarnessBank：面向 Agent-Harness 自进化的语义基因库 08-11 自适应 1 自适应语言模型（SEAL） 06-12 自适应引导 1 自适应引导加速推理模型的强化学习 06-19 自适应聚合 1 pFedMARL：多智能体强化学习自适应聚合非 IID 联邦数据 08-27 蒸馏路由 1 I-SDPO：实例级自适应自蒸馏策略优化 08-16 融合范式 1 跨领域 RLVR 能力整合：三类融合范式比较 08-28 规则推理 1 RuleReasoner：通过领域感知动态采样强化规则推理 06-12 规模扩展瓶颈 1 Orion性能未达预期，三大瓶颈制约模型扩展 12-31 视觉推理 8 视频 RLVR 中的捷径放大与感知不确定性坍缩 10-29 Urbex：城市级 3D 场景的智能体空间定位 10-18 GroundAnything：并行扩散解码实现高速精准视觉定位 10-18 ReaLVR：以视觉证据约束潜空间视觉推理 09-30 VBVR-Pro：可扩展、可验证的原生视觉推理套件 08-27 ViLaSR-7B：通过“边画边想”学习人类式空间推理 06-23 SynthRL：以可验证数据合成扩展视觉推理 06-04 SynthRL：通过可验证的数据合成扩展视觉推理 06-03 视觉模型 1 WeVisOne-VL：统一物体级与像素级视觉感知 10-24 视觉生成 1 GoT-R1：强化学习解锁多模态视觉生成推理新范式 06-26 视频生成 3 Kandinsky 6.0：同步音视频生成基础模型 10-08 VideoGen-Agent：强化学习驱动的视频生成智能体 09-23 DreamX-Creator：普惠化原生 2K 音视频联合生成 09-02 训练-推理对齐 1 LEGO-RL：面向编程智能体原生 Harness 的强化学习框架 08-19 训练优化 1 两篇 ICLR 论文破解强化学习的两个关键难题 07-18 训练策略 1 无 CoT 数据下：Next-Chunk Reasoning RL 真的优于 SFT 吗？ 08-25 训练系统 1 Rollplex：VLM 后训练的跨阶段 GPU 空间共享 08-17 训练配方 1 字节跳动 Seed 开源强化学习配方 POLARIS，4B 模型数学推理接近 235B 模型表现 07-17 记忆能力评测 1 MemCalib：评测与优化 LLM 智能体的记忆使用 09-22 评测基准 2 LIFT：基于分区约束的指令遵循评测与训练 10-22 AI 加密货币交易：从回测到真实市场的性能差距 09-30 评测审计 6 有限强验证器预算下审计 GRPO 奖励作弊 10-27 RLVR 数学数据去污染的可靠性与成本评估 10-18 PROBE：学习审计工具型 LLM 智能体的策略合规性 10-18 BehaviorTrace：在线强化学习训练数据归因的局限 10-08 RLVR 难度标签的可靠性与测量偏差 10-01 DataFlex-RL：RLVR 数据策略评估平台 09-15 语义先验 1 Semantic Bandits：语义先验如何影响上下文探索与利用 08-18 课程发布 1 斯坦福 CS329A：自改进 AI Agent 课程公开 08-26 课程学习 3 拉马克驾驶学校：以进化竞争发现自动驾驶训练策略 10-09 Frontier Learning：在能力边界训练大模型推理器 09-30 PAC：面向大模型多任务强化学习的进度增强优势课程 09-01 课程学习研究综述 1 斯坦福新课 CS329A：Self-Improving AI Agents 08-21 课程生成 1 Ornith-1.5自生成任务闭环提升编码智能体 08-27 谜题评测 1 Pencil Puzzle Bench：可逐步验证的多步推理评测基准 08-14 负向微调 1 NFT：利用隐式负向策略提升数学推理能力 06-23 资源图谱 1 LLM强化学习环境与开源训练框架资源图谱 12-31 资源研究综述 1 Awesome Self-Improving Agents：自改进智能体资源库 08-12 资源调度 1 Libra：Agentic RL 后训练动态资源管理系统 08-14 辩论式对齐 1 辩论训练减少 RLAIF 奖励作弊 08-19 迁移能力评测 1 多执行框架强化学习中的信用分配与可迁移性 09-07 过滤式微调 1 TailSFT：过滤式微调提升强化学习后训练性能 08-27 过程信用分配 1 MileGPO：基于局部证据的长程智能体里程碑信用分配 08-21 过程奖励模型 8 BoT-GRPO：基于词元袋聚合的高效过程奖励强化学习 10-08 World Potential Model：用预训练世界知识评估智能体任务进展 10-08 RSP：通过推理状态传播学习过程奖励 10-01 ConsensusBench：用共识节点稠密化大模型推理奖励 09-07 Cliff：从首次错误学习过程奖励 09-03 SPRO：使用掩码步骤优势进行自我引导的过程奖励优化 07-02 SPARE：基于参考引导评估的单次过程标注框架 06-23 从数学推理到代码：测试时扩展中过程奖励模型的泛化 06-04 进化搜索 1 LLM 引导的进化搜索：通向超级智能混合系统的新方向 12-31 连续推理 1 Continual Reasoning Gym：持续 RLVR 中的共享推理与提示回放 08-20 逆序优化 1 RTPO：以逆序轮次优化稳定智能体强化学习训练 08-20 递归自我改进 15 递归自我改进：当 AI 开始进化 AI 10-29 Novix 招募 RSI、Agentic RL 与新架构研究人才 10-22 LM2LM：语言模型学习改进语言模型 10-19 Terminal-RSI：通过轨迹重写与策略精炼递归改进终端智能体 10-18 通过对抗式元提示演化实现递归奖励改进 10-18 RSI-Jev：AI Agent 自动研究并迭代 Jev 模型 10-01 COEVO：上下文与参数协同演化的递归自我改进 09-29 小米开源 MiMo V2.6：大规模混合任务 RL 推进 RSI 09-24 EvoAudio：音频理解的递归自我改进 09-24 Frontis-MA1：面向机器学习工程的递归自我改进 09-17 云知声发布U2-Flash，以后训练闭环探索国产RSI 09-17 ScienceBuddy：面向交互式科研智能体的嵌套递归自我改进 09-16 Google DeepMind RSI 模型传闻与迭代信号 09-14 传 Google DeepMind 以 RSI 推动 Gemini 4 自主迭代 09-13 三位研究者对谈递归自我改进离我们还有多远 09-13 通用推理 1 RLPR：无需验证器将RLVR扩展到通用领域 06-28 采样控制 4 Guided-RLVR：以引导式探索提升可验证奖励强化学习 10-29 先测量再分配：MCP 智能体的校准式 Rollout 预算 10-22 GRPODropout：筛除部分 Rollout 改善在线强化学习 10-09 后训练中的锐化税：单次准确率与解法覆盖率的权衡 10-08 长期记忆 11 Uni-Mem：统一在线策略优化的长程智能体记忆管理器 10-22 TIDER：强化学习引导的长程智能体记忆时序定位与双通道检索 10-19 Hy-Memory-30B-A3B：归因强化学习驱动的长期记忆写入 10-18 AiO-Mem：基于过程奖励强化学习的一体化记忆智能体 10-18 MemComposer：用强化学习组装智能体记忆 10-18 MemLife：面向长期第一人称视频的记忆策展与推理 10-01 GenMem：面向自进化脚手架的生成式符号记忆 09-30 MemDream：面向自探测记忆演化的离线梦境框架 09-30 SpeakerMem-R1：面向多方对话的说话者中心双轨记忆 09-23 ICML：面向长期对话的交互式记忆学习 09-16 ContextPilot：用细粒度强化学习实现主动上下文管理 09-01 长程任务研究综述 1 长程智能体综述：Harness 工程与模型优化协同演化 08-14 闭环自进化 4 F4R：失败驱动的机器人持续自我改进框架 09-30 Qwen-Planner-Agent：真实世界移动规划智能体的闭环 AI-for-AI 框架 09-26 Mind Lab推出自迭代后训练平台Mint Recursive 09-24 Astar：从演化历史学习并指导 AI 系统闭环进化 09-14 问题定位 1 ToolTrain：面向代码问题定位的两阶段工具集成训练框架 12-31 难度调度 1 基于图结构在线难度估计的高效 RLVR 调度 08-19 音乐生成 1 StepAudio 3 Music：支持显式规划的长篇音乐生成模型 09-17 预训练 2 强化学习也能预训练？潜在意图与流匹配带来最高20倍提升 06-30 「Next-Token」范式改变：强化学习预训练来了 06-12 题目生成 1 Ornith-1.5 自出题强化学习闭环，两月自测提升 11% 08-28 高效探索 1 字节跳动与MAP提出FR3E：以结构化高效探索提升大模型强化学习上限 12-31 高斯引导 1 Agent-G²：面向智能体强化学习的高斯引导 08-25 鲁棒协作 1 SIGMA：面向结构化噪声效应的分组多智能体聚合 08-29 黑箱训练 1 ClawGym II：面向 Agent Harness 的黑箱强化学习 08-18 默契合谋 1 AI 智能体在算法化电力市场中涌现默契合谋 08-29
