用RL联合优化起草与编辑，让离散扩散驾驶规划真正学会自纠错。

用语义验证替代坐标监督，实现无标注的地理空间定位自进化

揭示 GRPO 中两种聚合规则的偏差，提出均衡聚合 BA。

在VLA架构中统一集成运动感知、长期记忆与物理感知三大功能模块

首个开源多模态深度搜索智能体训练配方，含数据管线、七工具环境与致命感知GRPO

三阶段管线，用黑盒对抗式在线策略蒸馏修复 SFT 分布漂移

首篇系统梳理 LLM 强化学习 rollout 设计的综述，提出 GFCR 四阶段框架。

首个高保真无人机具身搜救基准与仿真平台。

构建医疗 RL 训练场并提出 TT-OPD 自蒸馏框架解决多轮崩塌问题

通过token级思考截断与turn级动态重采样，让多轮智能体RL训练摆脱过思考困境。

用深度强化学习把表格数据清洗重定义为与表格基础模型先验对齐的序列决策问题。

并行训练多领域专家并在训练中持续互蒸馏，保持行为一致性以提升能力整合效率。

用CoT验证式奖励模型+GCPO算法显著提升图像编辑模型的指令遵循能力

Z.ai发布原生多模态智能体基座,集成CogViT与多任务RL。

构建 Claw 风格个人智能体训练数据合成、SFT/RL 训练与基准评测的端到端可扩展框架。

首个融合RLHF的音频推理模型，用偏好奖励突破RLVR多轮对话质量瓶颈

用强化学习把视频生成模型对齐 3D 几何，无需改架构即可获得 3D 一致性

提出 TEXOCR-Bench 基准与 2B 模型 TEXOCR,用 SFT+RLVR 把 PDF 页面恢复成可编译、结构一致的 LaTeX 源码。

在短上下文GRPO中按推理步置信度屏蔽优势，稳定高效压缩推理链。

Perceval：感知级PRM实现token级优势重分配