分类法驱动的可验证视觉推理环境，RLVR训练后24个外部基准平均提升约4个百分点

按轨迹正确性分流的混合自蒸馏框架，统一RLSD稳定优化与OPSD方向纠正。

复用基模型权重奇异谱、仅优化奇异框架的 RLVR 原生优化栈

构建可验证的离线维基百科环境，让搜索智能体自蒸馏迭代进化。

用群组熵引导的非对称优势塑形，缓解GRPO多任务训练的探索-利用失衡

把 LLM 裁判升级为教练，用可迁移经验知识替代标量奖励训练模型。

将教师监督直接融入强化学习目标，通过反向重要性采样实现选择性知识迁移

将VLA后训练重构为多租户服务，解耦训练/推理/环境并组批调度，GPU时间降28%

用国际象棋测试床建立预训练-RL联合缩放律并揭示RL机制

记忆中枢+语义ID+隐式推理，让LLM低成本驱动淘宝推荐

探究 Muon 优化器在不同优势估计器的长程 Agentic RL 中的效果

用参考答案引导的对比概率差作为token级正确性信号来塑形RLVR优势

用世界模型预测数据操作效果，智能体训练加速14倍、推理加速3-6倍

让两个模型互相当考官，竞争式RL隐式评估推理过程质量。

把VLM二值自验证循环嵌入GRPO，无需外部监督大幅提升多模态推理

把完成轨迹的事后技能蒸馏回策略，实现自进化密集监督。

首个无需语言监督、直接在视觉空间学习异构推理任务并配套 VR-X 基准的框架

系统揭示OPD的探索催化本质，诊断信号失真病理，用零开销信号调控修复训练不稳定

首个MeanFlow前向过程强化学习，用诱导瞬时速度预测器优化平均速度生成器。

用强化学习训练智能体 RAG 协调语义检索、关键词检索与段落读取三类工具。