把全双工语音RL的“何时说”与“说什么”拆成两级策略，用事件因果掩码精确分配信用。

按信息增益挑出去噪中少数关键承诺，仅用200题离线自蒸馏即胜过全序列SFT与在线RL

把工具使用后训练的扩展对象从环境扩展为完整交互系统，用执行反馈自我进化并稳定大规模训练。

逐批生长的增量 DAG 规划替代先规划后修补，并利用 DAG 拓扑设计结构化 RL 信用分配。

把温度差变成可估计的探索收益信号，用JS散度做token级信用分配加速RLVR

组内智能体评分器给通过测试的解排质量序，和保持地重分配优势，稳定代码智能体RL。

用熵与优势符号耦合的EAPO，强化惊讶成功、纠正重复失败，保留失败响应的恢复路径

把工具段与总结段的优势组内归一化并分段路由，消除GRPO信用混淆

公理化刻画token级信用并证明唯一性，据此提出评论家对齐训练PACT

无需验证器：动态量规评分，轨迹优势按步闭式重分配，长程智能体RL训练超越真值奖励基线

把推理决策外化为可寻址事件，让优化在结果改变处分配局部信用，提升多模态几何推理。

扩展上下文管理工具集，用细粒度强化学习教智能体主动管理自身工作上下文

RCCA把评分规则级功能反馈定位到代码片段，转化为GRPO的token级优化权重。

智能体与批评者共享参数交替进化，在轨迹中主动纠错，领先最强RL基线2.1 EM

把技能选择从结果奖励噪声中拆出，用双通道信用分配单独训练

用固定4维语义坐标替代逐轨迹效用，集中反馈并规避记忆-奖励陷阱

用答案反推出的线索给轨迹每一步打分，实现细粒度的SFT与RL训练。

按教师信号的局部持久性，为每个 token 分配自适应蒸馏权重。

DASH通过检测答案漂移为推理段落分配信用，在减少过度思考的同时提升准确率。

用工具执行结果构造轮次级多视野事后监督，自适应调制强化学习优势。