用策略级提示诱导多样化推理轨迹，让 RLVR 探索效率提升 8 倍

首个端到端联合优化设计者与执行者的自动多智能体强化学习框架。

用 Hölder 平均统一 GRPO 系列聚合方式，提出动态 p 退火。

提出可量化指标 ECC 与交错训练策略,系统性解决 LLM 智能体在新环境中的过早利用失败。

把失败轨迹转成修正样本，让模型同时学会做对与改对。

门控自蒸馏 OPSD，稳健提升多轮 LLM 智能体 RL 训练。

用词表里的功能 token 统一 agentic 与 latent 视觉推理。

单策略生成器-求解器合成Python训练环境，让模型自己构造零数据RL的世界

仅用128条随机抽取的示范样本,让GRPO+DPO的少样本RLVR超越千条SFT数据方法。

VLM规划器与VGM模拟器在双相循环中互训，从无标注种子图自演化机器人操作。

流式记忆+问题分解重读，免检索地解决长上下文证据丢失

推导OPD外推系数闭式安全阈值λ★(p,b,c),揭示结构化输出任务格式崩塌机制

用在线动态奖励权重与每题目标长度，兼顾正确性与简洁性

EAPO 教会 LLM 智能体在不确定时才探索，4B 模型在 GUI 任务上击败 GPT-4 级对手。

THINC框架让代码本身成为推理主体，4B模型击败235B基线

提出「稀疏奖励给大教师、稠密信号传小部署模型」的分配原则，四阶段流程在 MATH 提升 3.4 点

RL通过概率重分配让LLM事实回忆准确率平均提升27%。

用 Hint-δ 内禀奖励让 LLM 在无验证器的开放任务上自博弈进化

反转自蒸馏信号，放大正确 rollout 中模型自驱推理的 token

提出Entrocraft拒绝采样方法精确控制LLM RL训练熵曲线