用滑窗推理+压缩摘要的动态上下文管理让8B模型刷新SWE-Bench记录

用医学知识库合成可控分布的推理题并通过半监督RL缓解罕见病数据稀缺。

训练LLM在隐私对话中扮演双面间谍：用RL学会主动建模并误导攻击者信念。

先抽取结构化事件证据再做推理,并用P-FAB解决多目标RL的Pareto冲突。

筛选少量高方差用户提示，让 RL 提示优化在异质推理任务上突破全量训练瓶颈。

腾讯混元具身基础模型家族，MoT+自进化训练+蒸馏，2B 小模型 SOTA 22 基准。

用高斯分布匹配重写GRPO优势函数，破解多任务奖励拓扑不均衡。

提出HDPO强化学习框架，解耦准确率与工具效率奖励，教会多模态智能体Metis“何时不用工具”。

把一致性与视觉接地作为硬约束的GRPO变体，让多模态推理既准又真。

用序列级强化学习一次性预测整条ISP流水线及参数，避免逐步决策的不稳定。

提出 HiExp 框架，将搜索代理的随机探索转化为基于分层经验引导的策略性搜索

揭示多轮LLM Agent RL中推理表面多样但输入无关的「模板坍缩」，并提出MI诊断与SNR过滤。

Sol-RL 用 FP4 探索候选池，BF16 再生成关键样本，加速扩散 RL 4.64×。

首个RL驱动的智能体图学习框架，让LLM自主用图原生工具搜索后做节点分类/链接预测。

HiLL：联合训练提示器与推理器，让 GRPO 在难题上找回学习信号。

两阶段RLVR框架联合训练推理和自我改进，无需外部监督信号

统一扩散大语言模型后训练与评估的开源框架，支持多种模型家族和RL算法

针对LLM代码修复中的「过度编辑」问题，提出编辑感知奖励与自造数据框架，显著提升修复精度与推理速度。

提出 SciTikZer 模型与 Dual Self-Consistency 强化学习框架，从图像生成可编译的 TikZ 代码，在 8B 体量上超越 Gemini-2.5-Pro 与 Qwen3-VL-235B。

用数据工程而非架构创新，让1.2B小模型在文档解析上击败200倍参数的大模型。