标签
WeVisCut 是一个脚本到视频的智能体系统，通过训练一个 9B 紧凑策略来协调视频编辑工具、从故障中恢复，并在保持质量的同时大幅降低 token 消耗，在长视频生成上以约 33 倍更少的 token 达到与 Claude Opus 5 相当的性能。
该论文构建了一个最小化的策略学习模型，从数学和数值上分析了课程学习在奖励稠密与奖励稀疏情形下的效果差异，发现课程学习在稀疏奖励且存在竞争性最优解时几乎是必需的。
该论文提出了一种基于分布差异的马尔可夫决策过程（DMDP）框架，用于学习能稳定状态分布的策略，给出了目标分布渐近稳定的充分条件，并结合PPO和Sac在HalfCheetah任务上验证了分布反馈与显式目标匹配的效果。
AtomSD 提出了一种原子引导的自蒸馏框架，让 LLM 智能体从自身成功轨迹中提取细粒度的"过程原子"（Intent、When、Do、Avoid），并将其蒸馏进不断演化的策略中。实验表明，其平均性能比最先进的基线最高高出 9.31 分。
清华大学与滴滴的研究人员提出了 World Action Critic (WAC) 模型，在基于世界模型的策略学习中，联合学习对反事实动作候选的未来预测与后果评估，在 NAVSIM-v1 自动驾驶基准上取得了 93.4 的 PDMS 成绩。
本文提出集体经验学习（CEL）范式，通过失败引导的经验检索微调（FERT）与容错异步训练系统（FATS），让部署中的机器人共享执行经验以改进共同策略，无需额外的专家纠正数据。在五项真实操作任务上达到93.3%-99.2%的成功率，且更大规模的机器人集群可进一步提升性能。
GreenWAM 提出一个机器人世界基础模型，通过共享的解剖学动作空间联合训练 20 个机器人家族，使其既能作为世界模型预测动作后果，又能作为策略控制不同形态的机器人，并在多个基准上取得领先表现。
该论文提出通过学习索引策略（indexical policies）形式的搜索控制，使规划搜索在多项式空间内完成，代价是时间仅随选择深度指数增长；结合语言模型的反例引导学习循环，在IPC 2023学习赛道等基准上解决了1,709/1,890个测试任务，优于LAMA、BFWS和Levitron。
该论文提出CARE，一种针对视觉-语言-动作（VLA）模型推理加速的认证选择框架，通过配对回放和序贯测试，在95%置信度下保证加速所引入的失败风险低于用户设定的预算，同时在LIBERO基准上实现了9.0–10.8倍的加速。
Code to Control 通过 LLM 生成程序结构并结合免导数参数拟合来合成参数化 Python 控制器，从而在决策时无需 LLM 推理或规划即可实现实时控制，并在 Atari、Flappy Bird 和 MuJoCo 任务中超越了基于规划的程序合成方法。
本文介绍了一个基于浏览器的开源《Clash Royale》强化学习环境演示，其中一个小的REINFORCE策略学习防御布置，并与暴力最优策略进行比较。
本文提出了 Agent Priors-guided Policy Learning（APPL）框架，其中构建阶段与运行时的智能体利用结构先验（structural priors）——描述一种行为所依赖的因素——作为技能学习与技能组合之间的接口，从而提升在 MetaWorld 和长时程 ManiSkill 任务上的分布外技能泛化能力。
本文介绍CoCA，一种用于长期多模态智能体动态能力分配的on-policy学习框架，通过条件比较和强化学习来解决计算开销和阶段依赖需求。
MemBodied 引入了一种具有联想状态和情节锚点的固定大小情景记忆，旨在增强视觉-语言-动作模型在历史依赖型操作任务中的能力，并显著超越了基线方法的性能。
本文提出了一种称为Summarize-Judge-Refine（SJR）的双模型架构，用于多模态内容审核。该架构通过自然语言摘要解耦内容理解与策略学习，实现了显著的性能提升和少样本策略适配。
本文介绍了一种方法，将视觉-语言-动作模型中的动作生成分离为慢层和快层，从而实现实时反应式机器人控制，并将成功率从42%提高到97%，仅需10分钟的在线数据。
本文提出了Grounded Action Models (GAMs)，一种集成3D定位的新型机器人基础模型范式，在操作任务上实现了最先进的性能。
本文进行了一项大规模实证研究，针对离线强化学习和模仿学习，分析了超过16万次训练运行，以理解超参数和数据集属性的影响，并介绍了JumpStart，这是一个用于可靠策略学习研究的资源套件。
Latent Interface Training (LIT) 通过先在无视觉输入的情况下教授动作，然后使用姿态监督的潜在接口来保留动作所需的几何结构，从而解决机器人策略从训练图像中学习捷径的问题。
PLC-DPO通过使用策略参考边际将噪声偏好标签路由到干净、翻转或平局案例中，增强了直接偏好优化，从而在各种基准测试中提高了性能。