SLIM：把外部技能集当成可训练变量，动态增删扩展

用 Instructor–Follower 闭环共进化让指令难度随模型能力自动升级,无需外部教师即可提升开源 LLM 的多约束指令遵循能力

提出双前向传播RL框架，使MLLM抗视觉退化且不牺牲干净精度。

将多模态奖励评估重构为计划-执行两阶段过程，用多角色强化学习联合优化规划与验证

首个面向已构建RAG知识库的强化学习后精炼框架

首个将OPD引入Flow Matching T2I的多任务对齐框架

用单次并行「定位+检索」原子动作+双粒度RL，让多实体搜索又快又准。

用语义化评分标准替代教师 logits 的黑箱在线蒸馏框架。

用响应级熵代理实现无监督信用分配与自适应探索-利用切换

提出平衡多维奖励的RL框架，统一效用、正确性与流畅性

用单一任务结果信号同时驱动技能选择、利用与蒸馏三阶段协同演化

在GRPO失败样本前添加Lorem Ipsum乱文，破解零优势困境以拓宽LLM推理探索。

在 episode 起始采样全局策略,条件化后续所有动作,层级化 GRPO 训练。

用语义验证替代坐标监督，实现无标注的地理空间定位自进化

揭示 GRPO 中两种聚合规则的偏差，提出均衡聚合 BA。

把CoT推理与最终打分解耦的视频奖励模型,解决生成式奖励训练不稳定。

首个开源多模态深度搜索智能体训练配方，含数据管线、七工具环境与致命感知GRPO

用隐藏态投影残差解耦正负样本的语义重叠，保护共享token免受误罚。

首篇系统梳理 LLM 强化学习 rollout 设计的综述，提出 GFCR 四阶段框架。

用Tsallis q-对数统一SFT与RLVR,提出GARL/PAFT在固定q上训练推理模型。