4B步骤级护栏模型，以前缀对齐数据与Balance-GRPO校正防御偏置，ASR降77.3%

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。

用“提问的未来收益减去交互成本”的决策奖励训练LLM策略，学会何时追问、何时纠正。

把游戏开发变成“引擎检查+人类验收”的可验证奖励环境，驱动世界模型自我改进

利用伪标签错误的非对称性，无标签地将自蒸馏与RL惩罚结合于测试时训练

进化策略比GRPO推理覆盖更广：升Pass@1同时保住Pass@K，大参数漂移不等于灾难性遗忘

300个程序化视觉推理任务+可验证奖励评分器，让视觉生成成为可训练、可验证、可优化的推理媒介

按数据体制匹配稳定器：SWD 全局启用，数据稀缺保留归一化与双Q，数据丰沛则移除二者。

训练一个元智能体，为每个任务即时生成、修复并进化专属 Agent 脚手架，显著放大固定底座模型能力

定位多教师蒸馏的预算错配根因，三个机制把能力恢复率从35.6%提到83.4%

混合SFT以不到1/60的算力在RLVR后全面超越下一块推理RL

把参考答案拆成原子量规条目，为VLM后训练提供细粒度、前缀定位的RL奖励

用4D高斯泼溅重建奖励取代静态3D奖励，修复流式视频生成的几何漂移而不冻结运动。

推理时只保留提示前缀加滑动窗口，让长思维链成本恒定，免训练提速3倍

将标注作为oracle加入RL组，解耦优势估计防反转，免CoT高效训练统一视频感知。

三系统架构+3.7万小时异构数据一阶段预训练，协同理解、预测与行动的具身基础模型。

通过有界价值头、蒙特卡洛目标与长度自适应GAE，让单样本Critic强化学习稳定媲美GRPO

用一个 ReLU 门控把在策略蒸馏改造成合法的 RLVR 方法，零新增超参数

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

用环境扩展与智能体协作扩展两条路线，把推理模型变成能完成长周期复杂工作的系统。