标签
该论文提出了 CLEAT 框架，通过成对轨迹估计剩余查询价值，将澄清价值控制器与大语言模型任务策略联合训练，使智能体能够提出有用的澄清问题，并随着策略的改进调整这些问题。该框架使用 Qwen3-4B，在四项基准测试中均取得了最高分。
SynCo 提出了一种基于多智能体强化学习的数据合成协同训练框架，联合优化 Synthesizer 与 Reasoner 两个智能体，使训练数据分布随模型能力共同演化，并在八个数学推理基准上取得了最强的整体表现。
该论文指出了 On-Policy 蒸馏中存在的一种 off-policy 不对称性：教师必须监督来自学生自身生成的、其未训练过的前缀。为此，论文提出了 SCOUT——一个通过可验证奖励的 RL 持续适应教师的协同训练框架，在不同配置、模型规模和推理领域上均一致地提升了蒸馏效果。
论文提出了 NowWAM，这是一种无未来目标的协同训练框架：对当前观测进行去噪，并从同一视觉流中预测机器人动作。实验表明，在将预训练生成式 DiT 适配到机器人控制时，并不需要单独的未来视觉目标；基于 FLUX2-Klein 在 LIBERO-Plus 上达到 87.7% 的成功率，同时实现 1.8 倍的加速。
本文通过引入SearchGen-20K基准和SearchGen-Corpus-1M语料库，解决了视觉生成中的知识边界问题，并提出了一种先教后搜索的协同训练框架，以处理超出生成器训练数据的、不断演化的长尾用户请求。
本文介绍PaW，一种协同训练框架，在在线策略强化学习（on-policy RL）轨迹中向策略学习添加辅助世界模型监督，无需额外计算开销即可改进语言代理的训练。
CoHyDE提出了一种LLM改写器与稠密编码器的迭代协同训练过程，以提升从大型API目录中的工具检索性能。通过使用InfoNCE和DPO联合训练两个组件，它在模糊查询上显著优于单一组件基线。
# 互惠协同训练（RCT）：通过强化学习耦合基于梯度与不可微模型 来源：[https://arxiv.org/html/2604.16378](https://arxiv.org/html/2604.16378) Yunshuo Tian¹, Akayou Kitessa¹, Tanuja Chitnis², 和 Yijun Zhao¹ 1 纽约市福特汉姆大学计算机与信息科学系 2 马萨诸塞州波士顿市Mass General Brigham医院神经科 ###### 摘要 大型语言模型 \(LLMs\) 与经典机器学习方法提供互补...