标签
论文提出了 SDI（Sibling Disagreement in Imagination，想象中的同源分歧）方法，通过利用 actor 自身 rollout 的变异性作为共享参考，决定何时用规划动作替代学习到的策略，从而在基于世界模型的强化学习中统一了探索与规划，并在 Meta-World、Adroit 和 DM-Control 上超越了基线方法。
ReAPO 提出一种基于随机最短路径视角的重试感知策略优化方法，对 GRPO 进行改进，将额外生成分配给失败轨迹以实现更有原则的信用分配，在 Qwen3 和 OLMo-2 系列模型的数学与科学推理基准上显著提升首次尝试性能并减少生成 token 数。
论文提出 Activation-Space Exploration (ASE)，通过聚类正确与错误回答的激活差异构建潜空间探索向量库，以多样化 RLVR 训练中的 rollout；在 Qwen3-1.7B 和 Qwen3-8B 上较 GRPO 分别提升 4.87 和 1.87 个百分点的 Mean@8。
该论文将主动推理（Active Inference）与贝叶斯 UCBVI 放在统一框架下比较，发现 AIF 的信息增益衰减过快，需用平方根校准才能达到 √T 遗憾界；校准后的 AIF 在对抗性奖励设定下表现出 ℓ1 置信集优势，而在固定奖励下并不优于 Bayes-UCBVI。
提出 ReTRAIL 框架，允许 LLM 智能体在长时程任务中回退环境状态，同时通过 State-Anchored GRPO 和分支推进奖励复用已放弃探索的经验，从而从死胡同轨迹中有效恢复。
本文提出EDEN方法，通过在RLVR中向rollout条件注入锚定的嵌入空间噪声来增加轨迹多样性、增强组相对优势信号，从而在不改变推理过程的情况下提升GRPO训练效果，尤其在解的覆盖面上取得最大增益。
MIT 研究人员将一个 AI 编码助手作为虚拟身体的"大脑"，放置在一个数字岛屿上，不指定任何任务或奖励，并在十三次各持续 30 小时的运行中观察到：智能体自发地表现出类似玩耍的行为——攀爬、堆叠高塔、绘制曼陀罗图案，以及进行物理实验。论文探讨了这种行为是否符合"玩耍"的经典判定标准，以及玩耍是否可能成为机器发展的一种模式。
RoboQuest 提出了一个面向移动操作中目标导向具身探索的基准测试，对前沿多模态智能体在搜索、检查和交互测试任务上的表现进行评估。结果显示，表现最好的智能体仅在 23% 的回合中成功，失败主要归因于过早停止探索，而非执行能力不足。
本文形式化了最小见证识别问题，并提出了一种名为最小见证强化学习（MWRL）的信用分配方法。该方法根据每个候选方案缺失时所造成的覆盖损失来分配信用，从而能够从单个黑盒验证器的判定比特中恢复整个最小见证族。MWRL 包含一个价值迭代规划器以及一种可扩展到大语言模型的策略梯度方法。
CURIO 是一个好奇心驱动的测试时学习框架，通过内在好奇心世界模型（ICWM）为策略更新补充预测误差奖励，从而在保持探索的同时避免过早抑制低奖励但有潜力的方向，在数学发现任务与单细胞去噪上超越纯任务奖励的 RL 基线。
由UCLA主导的论文表明，可以仅通过随机探索来学习长期规划：采用条件能量模型估计时间对数密度比，无需动作或奖励标签，仅凭状态、图像和第一人称观测即可实现多尺度的认知地图式导航。
该论文研究了LLM驱动的自动发现(算法、定理、药物等)中harness设计与初始化的作用，发现探索过程存在mode collapse这一常见失败模式，并提出通过并行探索初始化来为后续迭代优化提供一致性能增益的通用方法。
TGRL提出了一种温度分组强化学习方法，以增强大语言模型中的探索能力，实现更快的训练速度和在多个基准测试中的性能提升。
本文提出了熵优势策略优化（EAPO），一种用于大语言模型强化学习的熵引导信用分配方法，该方法不对称地处理成功与失败，以增强探索并在推理任务上实现更优性能。
本文介绍了ExplorationBench，这是一个用于评估AI系统在可验证外星世界中探索能力的基准测试，通过提供可执行规则并防止从预训练数据中回忆，以应对科学发现中的挑战。
本文提出ESRL，一种通过探索专家路由路径来增强混合专家模型训练的强化学习框架，从而在数学、科学和编程任务上取得性能提升。
本文提出了一种方法，使氛围设计智能体能够通过结构化设计规范将探索与实现分离，从而探索多样化的UI替代方案。该方法在168个提示和一个超过30万任务的大型在线实验中进行了评估。
本文介绍了G2QDR框架，该框架利用有向状态图为目标条件分层强化学习生成密集奖励，提升在稀疏奖励环境中的性能。
用户 yadong_xie 分享了关于 AI 代理借助 Web 技术表达场景交互的探索，结论是没有界限，并启动了名为'光棱坦克'的项目。