仅用128条随机抽取的示范样本,让GRPO+DPO的少样本RLVR超越千条SFT数据方法。

提出Fast-Slow Training框架，将慢权重RL与快权重提示词优化协同演化

POISE 用策略模型自身隐藏状态预测奖励基线，替代 PPO 价值网络与 GRPO 多采样

提出渐进式模态迁移基准与盲训练控制，揭示多模态推理的视觉变量接地瓶颈与 RL 视觉虚假提升。

反转自蒸馏信号，放大正确 rollout 中模型自驱推理的 token

把 GRPO 族方法重写为对响应单纯形的显式目标投影，提出 LPO

揭示 GRPO 中两种聚合规则的偏差，提出均衡聚合 BA。

用隐藏态投影残差解耦正负样本的语义重叠，保护共享token免受误罚。

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。

用Tsallis q-对数统一SFT与RLVR,提出GARL/PAFT在固定q上训练推理模型。

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

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。

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。

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

RLVR 弱监督泛化由预训练先验与推理忠实性决定，Thinking SFT 可恢复

用PPL空间解耦破解RLVR训练中探索-利用的两难困境

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。

非线性外推低秩参数轨迹，37.5%算力削减下仍提升RLVR性能

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