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。

提出 AVR 框架，让视觉推理模型按任务复杂度动态选择直接回答、感知或完整推理三种格式，token 消耗降低 50–90%。

用扩散生成器采样轨迹、RL判别器在低维打分，再配BEV特征级仿真，把闭环规划的安全性提升56%。

分层动作加密集奖励GRPO，把LVLM改造成统一视觉RAG智能体。

通过只更新Q/K投影中高幅度激活对应的权重行实现长上下文RL稀疏更新。

用强化学习训练的工具调用Agent在胸部CT报告生成中显著超越3D视觉语言模型

用结构化多维推理奖励替代标量打分，缓解奖励黑客并实现零参数测试时优化

提出 PreRL 与 DSRL：在预训练空间以 NSR 修剪错误推理路径，再切换到标准 RL 精调。

把组内候选重加权变成闭式目标分布，用交叉熵直接拟合，梯度自动消失。

让模型自己当老师，把稀疏二元奖励转成稠密 token 级自监督。

统一开源框架，覆盖 GUI 智能体训练、评估、部署全链路

用原子知识点重构强化学习提示，实现最小充分引导

将推理任务重构为序列级上下文强盗问题，用标量价值函数解决PPO在长链推理中的信用分配不稳定问题

通过预先计算教师logprob,把OPD从需要实时教师服务变成单阶段训练,效率提升4倍。

在PyBoy环境里把反循环与访问掩码显式建模,让PPO学会宝可梦前期任务。

用历史错误模式的记忆惩罚，缓解 LLM 强化学习的错误坍缩。

基于轨迹正确性和困惑度进行双路自适应加权的在线策略蒸馏框架，提升LLM推理对齐效果

将物理模拟器转化为可扩展的问答生成器，用合成数据训练LLM提升物理推理能力

自动识别智能体能力缺失并合成针对性训练环境的端到端系统

首篇系统综述 LLM 强化学习中信用分配的论文,梳理 2024-2026 年 47 种方法并提出粒度×方法学二维分类体系。