标签
本文提出了JUROR，一种基于强化学习的框架，在集中训练与分散执行的模式下，联合优化时延容忍网络中的无人机飞行路径和分散式机会路由。
John Schulman评论了OpenAI智能体意外发展出利他行为，推测这可能源于在平行子智能体设置上进行强化学习，并采用团队级奖励。
科普了RAG技术从2020年基础RAG到2025-2026年自主智能体+强化学习的演进路径，涵盖检索精度提升、反思纠偏、图谱增强、路由优化与Agentic RAG等方向，并总结了各阶段代表性工作与痛点。
一篇新的研究论文将 LLM 代理训练重新定义为跨回合的 Meta-RL 问题，使用无评论家策略梯度实现在上下文中的适应，而无需梯度更新。LAMER 框架在长时程任务上相比标准 RL 基线将测试时性能提升了 11-19%，并且能更好地泛化到未见过的环境。
本文进行了理论与实证分析，表明SFT在多任务LLM训练中存在任务冲突，而RL能够实现稳定共存，并提出Parallel-RL范式以实现高效的多任务训练。
介绍了一款名为OneEmo的统一多模态推理模型，用于情绪感知、理解与交互，并同时介绍了EmoWorld-130K数据集和Emo-Chord强化学习策略。
ChronoVision 是一个多模态框架，通过将视觉逻辑与潜在图像对齐，使用重构视觉头、ROI 注意力定位模块和强化学习，改进视觉语言模型中的时间推理。它引入了 Vbvr-VQA 数据集，并在时间跟踪基准上达到了 SOTA 准确率。
AgentOPSD 提出了一种无评论家的递归方法，用于智能体强化学习中的回合级信用分配，通过在 log-odds 空间中进行贝叶斯信念更新来重新加权结果。它在 ALFWorld 上使用 Qwen2.5-7B 达到了 89.1% 的成功率，优于 GRPO 和自蒸馏基线。
EnvACE 引入了世界预演，一种智能体强化学习方法，通过策略在内部预演环境响应来取代外部环境交互，在多个基准上取得了强劲性能。
The author argues that RL environments serve as the essential data for building AI agents, enabling systematic training, prompt optimization, and evaluation rather than manual iteration.
Standard Machines launches reinforcement-learning environments for chip design, aiming to accelerate tape-out and push frontier AI capabilities.
Prime Intellect 推出了 Prime Agent，一个用于编程和长期自主任务的自我改进型 RLM 框架，具备程序化工具调用、将上下文作为变量、多智能体消息传递以及可自我修改的框架状态等特点。
本文提出CSDG，一种离线强化学习方法，将Bellman备份表示为样本内目标加上凸包邻域局部修正，从而控制OOD动作估计误差并提高价值稳定性。
SMOPD proposes a two-stage specialize-and-merge online policy distillation method to improve multi-reward reinforcement learning, addressing issues with sparse and dense reward signals where GDPO struggles. It outperforms GDPO across 1.5B, 3B, and 7B backbones in complementary and conflicting reward settings.
本文提出SADQ，一种对Q学习的改进，利用动力学模型的一步轨迹预测来正则化TD目标聚合，减少自举引起的过估计，并在多个基准上提高训练稳定性。
本文提出StructPO，一种结构感知的策略学习框架，通过显式阶段标记和精炼引导优化，将多阶段学术写作工作流内化到单次LLM策略中，从而提高引言生成质量和效率。
介绍SP3O，一种新颖的无需奖励模型、无需评论家的基于梯度的偏好强化学习算法，利用片段级偏好，在机器人控制和LLM微调中展现出改进的性能，尤其是在长时程任务中。
本文提出PAMT，一种面向多领域机器翻译的过程对齐强化学习框架，将领域感知的长思维链监督与步骤级过程奖励相结合，以改进对领域敏感的翻译决策。
本文介绍了评分标准作为特权信息（RuPI），通过以评分标准作为软特权信息来条件化教师模型，将同策略自蒸馏扩展到开放式生成。该方法在多个大语言模型和HealthBench等基准上优于评分标准即奖励的强化学习和参考补全蒸馏。
这篇arXiv论文介绍了CVPO，一种针对LLM的强化学习方法，它适应值方差以进行优势估计，并使用动态课程学习来匹配问题难度，在数学任务上取得了比VAPO更好的推理性能。