基于宝可梦的大规模AI决策基准，含对战与速通双赛道评估框架

系统比较SFT和RL在LLM后训练中的作用、差异与融合方法

通过对抗性协同进化优化代码和测试生成，消除对人工标注测试的依赖

训练时用自适应视觉提示引导模型学习时空定位，推理时无需额外工具

VST让视频大模型在流式观看时同步推理，兼顾实时响应与深度思考

提出生成式视觉奖励模型Visual-ERM，通过细粒度图像对比为图表/表格/SVG转代码任务提供可靠RL奖励信号

通过增强条件空间构建多视角奖励映射，提升流模型GRPO对齐效果

统一框架实现多主体身份保持与全方位运动控制，通过潜在空间强化学习优化身份保真度

用字形引导SFT+多目标RL解决图像内文字编辑难题，330K数据+15语言基准

提出FIRM框架，通过专门训练的奖励模型和新颖的奖励策略，解决图像编辑与生成中强化学习奖励信号不可靠的问题。

用自动生成的细粒度评分准则作为RL奖励信号，让小模型生成超越人类和大模型的图像描述

MR-Search：元RL结合自我反思解决稀疏奖励下的智能体搜索

ROVA框架通过结构化时空扰动与自反思难度调度，提升视频推理在真实世界扰动下的鲁棒性

用LLM编码代理自动翻译RL环境，4级验证保等价。

证据优先合成智能体任务,扩展多样性以提升工具使用泛化能力

提出TeamHOI框架，用单一去中心化策略实现2-8个人形机器人的协作搬运任务

聚合外部批评与组内对比两种NL反馈，以离策略脚手架引导RL探索，实现2.2倍样本效率提升

利用用户交互的下一状态信号在线优化个人和通用智能体的RL框架

ICRL：纯RL框架实现LLM工具调用，无需SFT，渐进消除少样本提示

通过强化学习训练路由器，解决LoRA混合模型中路由权重塌陷问题