用反事实证据干预把“答案是否依赖视觉证据”变成GRPO奖励，让VLM不再靠语言先验答题。

把每轮交互意图变成显式控制变量，意图校准GRPO训练出意图准确率86.6%的用户模拟器

揭示SFT多阶段训练产生任务冲突而RL可稳定共存，并提出Parallel-RL解耦框架。

多模态环境不能盲目堆量，应从能力多样性与难度结构两维度设计训练分布

用统一强化学习框架打通情感感知、理解与交互三大层次

用执行状态匹配校验特权参考轨迹，只在匹配轮次做自蒸馏，多轮智能体任务成功率显著提升。

用递归贝叶斯信念更新为长程智能体RL做回合级信用分配

用潜在视觉状态重构与隐式过程奖励强化学习，让多模态大模型掌握时序视觉推理。

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。

让统一多模态模型自主推理、调用工具并原生生成图像。

用技能熵度量技能切换难度，构建Skill2-Bench基准并用Skill-Entropy RL训练

RSTG在负零方差样本上选择性施加自适应蒸馏，恢复GRPO丢失的梯度信号

按教师信号的局部持久性，为每个 token 分配自适应蒸馏权重。

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。

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。

把技能生成建模为顺序编辑过程，用回滚奖励训练技能编辑策略

提出SAF四阶段流水线融合GRPO与OPD优势，避免熵坍塌并稳定提升性能。

将特权偏移重解为反事实敏感度，重分配 GRPO token 信用以提升长链推理。

用统一策略在行动前依据当前状态重构检索经验，GRPO 端到端训练

用反事实回放为GRPO分配令牌级信用，无需训练评分器即可提升指令跟随RL效果