七个开源RL框架仅收录2.3%的通用方法，收录快但份额随论文激增而稀释。
标签：
全部
强化学习
扩散模型
大语言模型
基准测试
视频生成
LLM智能体
世界模型
视觉语言模型
GRPO
多模态大模型
知识蒸馏
基准评测
具身智能
流匹配
机器人操作
多智能体系统
智能体
LLM Agent
可解释性
图像生成
代码生成
多模态学习
检索增强生成
注意力机制
RLVR
后训练
视频理解
机器人学习
多模态
长上下文
数学推理
图像编辑
VLA
数据合成
多模态大语言模型
推理加速
评测基准
高效推理
自监督学习
工具调用
对比学习
扩散语言模型
参数高效微调
视觉-语言-动作模型
Transformer
工具使用
LoRA
持续学习
自蒸馏
LLM评估
多模态推理
RAG
模仿学习
综述
信息检索
LLM推理
信用分配
在线策略蒸馏
合成数据
模型压缩
在强化学习的同时自适应 harness：生成机制级技能、演化工具与钩子，最终部署模型–框架对。
训练外壳与策略共同演化：归因并修复rubric奖励失效，开放式RL涨3分且训练减半。
语言智能体中行动与预测的协同进化
👍 9让智能体在RL训练中同时预测自己未来的动作序列，无需额外模型即可显著提升样本效率。
学会在三维世界中思考与探索
👍 60让VLM把3D场景当作可交互环境，用结果导向RL学会边推理边主动探索
用设计轨迹与场景批评双数据集加Critic引导的GRPO，让模型学会既会设计又会鉴赏3D场景
把失败补丁与验证器反馈作为上下文训练恢复轨迹，让 SWE 智能体学会从错误中恢复
用强化学习训练构建者智能体，提前把语料整理成文件系统，供后续查询反复复用。
Mosaic：多会话智能体强化学习
👍 59提出多会话智能体强化学习设定与Mosaic分层优化方法，让RL训练适配上下文压缩与子代理分叉
用语义跨度池化改造GRPO信用分配，冻结文生图模型的组合生成能力大幅提升
锚定噪声扰动输入嵌入，小部分扰动 rollout 即可显著提升 GRPO 探索与推理
统一评测10种自蒸馏方法：增益有限、训练不稳、高成本未必换来高性能
INT4 KV缓存量化加选择性INT8保护，异步RLVR rollout提速1.8倍且精度不掉点
大语言模型强化学习中的思维泄漏
👍 25无思维模式的RL增益大部分来自重新激活原有思维模式，而非学到新推理能力
RL应训练请求而非单个回答：合并回答者奖励的ReMaRk用一半算力达到同等召回
Urbex：面向城市级三维场景的智能体式空间定位
👍 117把城市级3D定位从候选排序重构为VLM智能体的主动空间搜索，用强化学习学会看哪里、何时答
Tev：以密集进度奖励扩展长程智能体环境
👍 46先构建已知正确的潜在世界再反向渲染任务，用进度势函数把稀疏终端奖励变成每步密集奖励
工具增强SFT+GRPO后训练与有效性门控，让8B模型按需取证、拒收无效测量，胸片推理SOTA
无需外部教师模型，智能体在沙箱内自造任务、自我训练、自我诊断，形成闭环持续进化。
让终端智能体从自身失败轨迹学习恢复，SFT冷启动加在线RL实现自我改进。