标签
腾讯的一项新研究引入了递归合成终端任务（RST），这是一种逐步为AI智能体生成更难、可验证的训练任务的方法。从639个任务开始，它在15轮中生成了37,484个经过验证的任务，使用这些任务进行强化学习将Qwen3.5-27B在Terminal-Bench Hard上的性能从22.7%提升到32.0%。
Prime Intellect 发布了 prime-rl 0.8.0，增加了多智能体训练、Nixl 和 Model Express 权重广播、扩展的多模态支持，以及多项性能改进。
Prime RL 现在支持表示和训练多智能体系统，可实现智能体裁判、自我对弈、用户模拟以及复杂智能体协作等用例。
本文提出了 OG-SPR，一种无模型视觉强化学习算法，它将潜在自预测与观测预测相结合，学习具有动力学感知的表示，从而在 DeepMind Control Suite 任务上提高了样本效率。
本文介绍了TSR框架，该框架将社交对话分解为战略规划和语言执行两个阶段，以及LHRL-VGR，一种带有方差门控奖励的强化学习算法。使用该方法对Qwen2.5-7B智能体进行微调，在SOTOPIA基准上的目标完成率超过GPT-4o基线7.32%。
本文介绍了M3R-Bench，一个包含1,000个图文实例的统一证据支撑多模态隐喻理解基准，并提出了M3R-Reasoner，一个结合基于课程学习的推理监督和强化学习的8B参数模型，其性能优于更大的专有模型。
本文介绍了LC-GRPO，一种带有朗之万校正的基于流的GRPO框架，通过将随机训练轨迹与确定性ODE采样对齐来弥合训练与推理之间的差距，从而在SD3.5、FLUX.1-Dev和HunyuanVideo等模型上提升奖励优化效果。
介绍了EvoHarness-RL，一个为长时程LLM智能体学习运行时框架策略的框架，使其能够在任务执行过程中构建和更新外部状态（信念、进度、经验）。在ALFWorld上使用Qwen3-8B，它达到了96.9%的成功率，并揭示了框架退火和进化动态。
本文介绍了IFlowNets，将对抗流网络扩展到不完全信息博弈，证明了先前的约束条件无效，并在初步实验中显示出与现有方法相当或更好的性能。
Presents an emerging retail portfolio management application that uses personalized, tax-aware reinforcement learning with natural language goal input, featuring a three-phase pipeline and integration with live brokerage APIs.
RA-CAD 提出了一种用于文本到CAD生成的状态感知智能体，采用生成-执行-批判-重写循环，并通过组相对策略优化进行反馈驱动的智能体优化。它在CADFusion和Text2CAD基准上实现了最先进的执行有效性和几何质量。
SkillHEX提出了一种用于大语言模型智能体自主技能演化的闭环框架，利用假设驱动的自我验证和证据引导的树搜索来克服稀疏奖励挑战。在有限交互预算下，它在SkillsBench上优于现有自演化方法。
Search2Skill 是一个框架，它训练 LLM 智能体识别能力差距、搜索外部来源，并使用基于规则表的强化学习将检索到的知识提炼为可复用的技能，在专家领域基准测试上优于基线方法。
Factorio Learning Environment v0.3.0 是一个开源平台，用于在 Factorio 中评估 AI 智能体，增加了无头扩展、OpenAI Gym 兼容性以及用于实时演示的 Claude Code 集成。
一位研究者强调，Meta-RL 是训练 LLM 智能体的一个有前景的方向，将智能体训练重新构建为跨回合的元强化学习问题，从而实现主动探索和试错适应。
本文提出GOAL，一种约束感知的生成式激励广告框架，将激励分配建模为条件序列生成问题，并引入SCPO来学习一个能够跨ROI约束泛化的单一生成策略。实验表明，该方法在降低ROI违规率的同时，改善了长期收入和用户留存。
Introduces SPOT, a method for on-policy distillation that uses sparse probing and outcome calibration to improve reasoning performance in smaller student models while balancing solution quality and coverage.
本文提出了EASy，一个可训练的智能体框架，利用强化学习联合优化任务性能与计算效率，并引入了里程碑-规划-执行工作流、依赖感知执行图和用于训练的树形展开。
本文介绍了ATLAS，一种基于模型的持续强化学习算法，该算法结合了Grow When Required网络与后继特征，以实现高样本效率和鲁棒的非平稳环境适应，并在空间导航任务中展示了正向后向迁移。
This paper proposes an adaptive training controller for CVaR risk-aware Q-learning, improving finite-budget behavior, reducing Bellman residuals by ~85%, and yielding better risk-adjusted performance in daily Bitcoin trading.