标签
StructRL 引入了一个在线强化学习框架，该框架使用来自可验证子任务的结构化中间奖励，以增强长周期视觉-语言-动作任务，在 RoboCasa365 和 LIBERO-Long 等基准测试中展示了卓越性能。
VLA-Precision引入了一个高效的真实世界在线强化学习框架，采用非对称协同自举来提升视觉-语言-动作模型，在精确度任务中实现了高成功率。
vLLM引入了一个原生的分片权重传输引擎，使用Ray Direct Transport (RDT)来在大规模在线强化学习环境中进行高效的权重同步，从而提升像Kimi K2这样的模型的性能。
本文提出了一种威胁引导的策略感知场景扰动（TPSP）方法，通过以策略感知的、有针对性的方式扰动场景，为安全自动驾驶的在线强化学习生成高价值的安全关键经验。在NAVSIM v2上的实验表明，使用约400万公里的模拟驾驶数据，安全学习效率得到了提升。
本文提出了一种新颖的在线强化学习方法，通过设计兼顾事实精确性、细节丰富度和回答相关性的奖励函数，来提升推理大语言模型的事实准确性。在六个基准测试上，该方法将幻觉率降低了23.1个百分点。
EvoCUA-1.5 引入了一种面向多轮计算机使用代理的在线强化学习框架，在 OSWorld-Verified 上实现了 63.2% 的成功率，并通过步骤级策略优化和动态课程学习，性能超越了参数高达 35B 的可比开放权重模型。
一篇论文提出了一种机制，通过安全地将混乱的日常工作转化为学习数据来改进企业智能体，采用数据代理和控制层，AREAL2.0 展示了从真实交互轨迹进行在线强化学习。
本文提出分层优势加权行为克隆（HABC），用于利用具有稀疏二进制回合结果的在线强化学习微调视觉-语言-动作（VLA）策略。HABC通过自适应评价器头和干预感知的信用分配将可行性和效率目标分离，显著提高了接触密集型双手操作任务的成功率。
OpenWebRL提出了一个开放框架，用于在真实网站上利用在线多轮强化学习训练视觉网页代理，以极少的初始监督实现了最先进的性能。其4B参数模型优于先前的开放代理，并与OpenAI CUA和Gemini CUA等专有系统竞争。