构建医疗 RL 训练场并提出 TT-OPD 自蒸馏框架解决多轮崩塌问题

用ELBO代理扩散模型似然，把GRPO嫁接到文生图后训练上，比MDP路线快2-3倍且SOTA。

四阶段流水线（SFT+GRPO+提示增强+自回归蒸馏）弥合视频扩散模型预训练与部署差距。

在短上下文GRPO中按推理步置信度屏蔽优势，稳定高效压缩推理链。

用强化学习让 7B 小模型端到端生成可部署的多页网站，匹敌 671B 模型。

用 GRPO 强化学习联合优化显式弃答与拒答后澄清质量，3B 模型对不可答题表现匹敌 671B DeepSeek-R1。

用两阶段RL课程让多模态大模型自主掌握视觉工具调用以解决复杂视觉推理

用VLM奖励+Flow-GRPO后训练，让图像编辑更贴合人类审美。

首次将GRPO引入均匀离散扩散，通过将最终干净样本作为动作并用前向过程重构轨迹，解决训练崩溃。

1978个MCP环境+19822工具,GRPO自演化闭环训练,23个基准全面领先开源基线。

RLVR 弱监督泛化由预训练先验与推理忠实性决定，Thinking SFT 可恢复

首次系统证明在情感支持对话中,一个支持者回复可以同时包含多种支持策略,并提出两种生成方法结合认知推理与强化学习。

用PPL空间解耦破解RLVR训练中探索-利用的两难困境

提出 AVR 框架，让视觉推理模型按任务复杂度动态选择直接回答、感知或完整推理三种格式，token 消耗降低 50–90%。

遗忘算法后测 LLM 能否独立重发明 Dijkstra 等基础算法

用扩散生成器采样轨迹、RL判别器在低维打分，再配BEV特征级仿真，把闭环规划的安全性提升56%。

分层动作加密集奖励GRPO，把LVLM改造成统一视觉RAG智能体。

用几何可验证的3D场景,让单VLM自问自答持续提升空间推理。

提出 PreRL 与 DSRL：在预训练空间以 NSR 修剪错误推理路径，再切换到标准 RL 精调。

把组内候选重加权变成闭式目标分布，用交叉熵直接拟合，梯度自动消失。