通过动态调整rubric标准的权重，将训练压力导向当前策略可学习的标准，提升多目标强化学习效率

VideoRLVR框架用可验证奖励优化视频模型，提升规则验证任务的推理能力

KVPO:面向流式自回归视频生成,在ODE原生范式下做KV语义探索的偏好对齐

统一检索与编译器反馈为可训练策略，构建OProofs语料，在五项Lean4基准上取得SOTA

用自进化的视觉热图替代文本记忆与教师 LLM，为 3B VLM 智能体注入密集空间奖励。

构建GRASP数据集并提出SGR奖励，使MLLM能基于注视手势进行多人交互推理

冻结LLM权重，用四智能体+可训练知识图谱的闭环系统让代码生成越用越强。

首个端到端联合优化设计者与执行者的自动多智能体强化学习框架。

用 Hölder 平均统一 GRPO 系列聚合方式，提出动态 p 退火。

针对几何画图的点级精度需求，提出依赖结构规划+像素级执行的GUI智能体框架

提出可量化指标 ECC 与交错训练策略,系统性解决 LLM 智能体在新环境中的过早利用失败。

用 LLM 先验从纯观测轨迹中归纳可执行 POMDP，摆脱对真实隐藏状态的依赖。

三阶段审计揭示物理VLM评测三大测量偏差，并发布干净语料+RL配方

把30B-A3B训成IMO/IPhO金牌级推理器：反向困惑度SFT+两级RL+TTS精炼。

门控自蒸馏 OPSD，稳健提升多轮 LLM 智能体 RL 训练。

用词表里的功能 token 统一 agentic 与 latent 视觉推理。

用突变+多样性过滤把封闭题改造成开放式训练数据

RAVEN 通过重打包自展开轨迹并结合一致性模型策略优化，实现高质量实时自回归视频生成。

用100条偏好样本自演化技能与工具库，冻结VLM即可超越GPT-5的图像编辑奖励。

把生成视频提升到三维物理仿真器中评估,作为RL微调奖励显著改善人体动作真实度。