利用SAE捕获模型内在属性指导RL数据工程，提升训练效率与性能

提出评估GUI代理在环境干扰下鲁棒性的基准和增强框架

9.8B 激活参数的 MoE 大模型,通过 Agent 数据管线+Forge 强化学习系统+自我进化,在编码与办公 Agent 任务上比肩头部闭源模型

NoisyAgent：在训练中显式注入用户与工具噪声以提升LLM智能体鲁棒性

用单源奖励作锚点，量化多源融合的信息增益

将长时程智能体的记忆管理建模为状态自适应问题，通过线索-页面架构实现意图驱动的记忆检索

首个支持单轮并行多工具调用的视频智能体RL框架PARA-GRPO，破解工具先验悖论。

三智能体对抗流水线为电脑操作代理规模化合成带可验证奖励的RLVR数据

提出基于验证器失败诊断的智能体-环境协同共演化框架 SEAL，用同一诊断信号同时驱动训练接口进化与策略梯度更新。

把终端输出 token 当作监督信号，叠加到 GRPO 损失上，让失败轨迹也产生梯度。

提出 CMRP 新任务和 UniCharacter 框架，用极少样本让统一多模态模型同时学会角色的语言风格与视觉外观。

两阶段框架RTDMD统一DMD与RL，在4步内实现少步文生图SOTA。

揭示多时间尺度PPO中可微路由器被代理目标利用的失败模式并提出Target Decoupling。

用专用图像编辑器替代工具调用与统一多模态，让MLLM真正“用图像思考”。

用全轨迹后视分析挑选失败步骤，仅在相关动作片段做反馈条件蒸馏。

通过协同进化策略与解码器解决离散AR T2I模型中的潜在协变量偏移问题

首个用强化学习做相机控制视频重拍的框架，用度量3D评估器约束相机轨迹精度。

把视觉感知、文本推理、视觉推理拆成三个独立阶段做后训练，VLM 的视觉推理准确率涨、推理链还变短了。

把RLVR更新视为token梯度上的线性判别器，用判别式系数重塑正负质心。

首个面向真实 Excel 的端到端强化学习框架，让开源 4B 模型表格任务通过率近乎翻倍。