以"编排轨迹"为统一抽象，串联奖励、功劳与编排三轴来梳理LLM-MAS强化学习文献。

用免训练GRPO自动优化LLM智能体技能，平均分提升127%

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

通过token级思考截断与turn级动态重采样，让多轮智能体RL训练摆脱过思考困境。

首个基于真实电子病历与医生验证的长程临床智能体基准，揭示当前LLM在自主临床任务上最高仅46%成功率。

COS-PLAY：决策智能体与技能库智能体协同进化，从无标注轨迹中自动发现可复用技能。

25,000+ 次实验揭示 LLM 智能体执行工作流却不会科学推理

首个评估智能体技能持续学习的基准，含20个真实任务和三级评估框架

首个端到端网页游戏生成智能体框架，含Game Skill与GameCoder-27B。

端到端语音模型集成推理与工具调用，任务完成率从34.88%提升至74.57%。

面向科学发现的基础演化式智能体框架，四基准全面领先基线。

提出AAR基准：1400道Wikipedia DAG谜题，拆解导航与工具调用瓶颈。

用 LLM 智能体在新型 AI 加速器上自动优化算子性能，无需专家先验知识

在纽约市导航多智能体仿真中，蓝队与红队通过KTO迭代对抗训练，揭示LLM可学会有选择的信任与欺骗，但仍高度脆弱。

自动识别智能体能力缺失并合成针对性训练环境的端到端系统

用滑窗推理+压缩摘要的动态上下文管理让8B模型刷新SWE-Bench记录

训练LLM在隐私对话中扮演双面间谍：用RL学会主动建模并误导攻击者信念。

用集体轨迹驱动智能体技能自动进化的多用户闭环框架。

揭示多轮LLM Agent RL中推理表面多样但输入无关的「模板坍缩」，并提出MI诊断与SNR过滤。

首个把形式化约束与自演化LLM智能体结合的端到端验证合成框架