提出 L1/L2/L3 三级能力 × 物理/数字/社会/科学四规律的二维世界建模分类法

用强化学习训练一个轻量 Actor 在长上下文中插入高亮标记，提升冻结 LLM 的证据利用能力。

将前向KL与反向KL按token级信号混合，结合off-policy数据与轻量on-policy采样的统一蒸馏框架

用 RL options 框架训练 MoE 控制器，把切换率从 50%+ 压到 5% 以下。

用强化学习让 7B 小模型端到端生成可部署的多页网站，匹敌 671B 模型。

用同条训练跑上稍后的 checkpoint 当老师，做 Q/V 折中最优的混合策略 RLVR。

用视频扩散模型规划 HOI，从合成视频提 3D 人+2D 物目标驱动物理灵巧模仿。

通过模态感知自适应混合 SFT+RL 后训练，约束偏好优化于文本通道并锚定语音通道，缓解口语对话模型中 IQ/EQ 难以同步提升的矛盾。

用 GRPO 强化学习联合优化显式弃答与拒答后澄清质量，3B 模型对不可答题表现匹敌 671B DeepSeek-R1。

用两阶段RL课程让多模态大模型自主掌握视觉工具调用以解决复杂视觉推理

统一推理与生成的自动摄影图像编辑框架

首个系统评测 Agent-as-a-Judge 的基准，带工具访问 F1 平均涨 13 点。

首次将GRPO引入均匀离散扩散，通过将最终干净样本作为动作并用前向过程重构轨迹，解决训练崩溃。

1978个MCP环境+19822工具,GRPO自演化闭环训练,23个基准全面领先开源基线。

首个专为视频RL设计的端到端训练评测框架,带离线缓存与异步推理

将SFT重写为带稀疏奖励的on-policy RL，提出GAL+DCR统一后训练框架

在游戏自博弈中引入轨迹优势调制，用抽象度系数与演化奖励解决推理迁移难题

首次系统证明在情感支持对话中,一个支持者回复可以同时包含多种支持策略,并提出两种生成方法结合认知推理与强化学习。

用PPL空间解耦破解RLVR训练中探索-利用的两难困境

用三 Agent 架构与四阶段训练流水线，让 30B 模型在深度搜索与研究任务上比肩百亿参数大模型。