用预训练的泛化价值模型V0作为先验，自适应融合稀疏采样经验均值，实现低方差基线估计

通过可执行代码作为感知媒介，系统性提升多模态大模型在STEM领域的视觉理解能力

提出回顾性双重内在反馈框架，通过数值探索奖励和语言经验复用提升LLM智能体强化学习效果

通过对比学习对齐成功推理轨迹，增强RLVR泛化能力

HCAPO：用 LLM 自身做后视评分，把稀疏终局奖励拆解到关键步骤上。

基于强化学习的单次推理3D场景编辑框架

首个零数据三角色自进化框架，让VLM自主生成图像并提升推理能力

开源TTS系统，通过双自回归架构与多奖励RL实现自然语言指令控制

通过解耦推理与置信度优化目标，解决 RLVR 训练中模型过度自信的根本问题

提出基于RL的自我反思-修正框架，将调试能力内化到模型权重，无需外部预言机

通过将观测分解为对象-属性结构，实现零样本跨域奖励预测

揭示内在奖励的分布锐化机制与不可避免的崩溃，提出外部奖励作为可扩展替代路径

通过自适应工具加载和基于评分标准的强化微调，让4B小模型逼近前沿大模型的智能体性能

用RL训练LLM智能体判断动作优劣，自主涌现批判性推理

通过高质量CoT蒸馏和难度感知RL训练提升金融LLM性能

用不可微奖励强化少步扩散模型，4步生成质量超越80步基线

揭示冷启动中视觉注意力不足的瓶颈，提出AVAR框架重塑注意力分配，平均提升7%

MicroCoder 用难度感知数据筛选，让 4B 代码模型 300 步内获得 3 倍提升

MicroCoder-GRPO在LiveCodeBench v6最高相对涨17.6%。

SDF 非完整水弹性模型高保真模拟触觉剪切,实现零样本 sim-to-real 触觉 RL 迁移。