用强化学习联合优化记忆图边表示与路由策略的查询条件遍历框架。

用闭式 value baseline 降低 OPD 梯度方差，无需额外 critic 即可稳定训练

流式记忆+问题分解重读，免检索地解决长上下文证据丢失

在单次自回归轨迹内同时生成候选并排序，用分解式GRPO解决端到端信用分配难题。

用在线动态奖励权重与每题目标长度，兼顾正确性与简洁性

EAPO 教会 LLM 智能体在不确定时才探索，4B 模型在 GUI 任务上击败 GPT-4 级对手。

Rubric统一策略/评估/记忆，8B深度研究agent超越开源基线

THINC框架让代码本身成为推理主体，4B模型击败235B基线

图像库引用协议+ODE把Qwen3-VL平均提升14.1个百分点

揭示异步RL中旧logits缺失问题，提出精确获取与PPO-EWMA两种修复路径

首个逐轮响应感知防御器 TURNGATE,精确锁定「最早危害闭合点」以平衡安全与实用性。

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「稀疏奖励给大教师、稠密信号传小部署模型」的分配原则，四阶段流程在 MATH 提升 3.4 点

DR.Q 通过最大化表示互信息和衰减式优先回放，给基于模型的Q学习表示去偏，单套超参横扫73个连续控制任务。

RL通过概率重分配让LLM事实回忆准确率平均提升27%。

解耦评分标准 RL 中验证器错误与评分标准设计缺陷两类奖励黑客，给出无需外部评审的自内化差距早停信号。

剖析OPD/OPSD成败,提出三类失败机制与对应稳定化修复。

训练 LLM 智能体从低成本实验总结规律并外推到高成本 LLM 实验配置

SLIM：把外部技能集当成可训练变量，动态增删扩展

用 Instructor–Follower 闭环共进化让指令难度随模型能力自动升级,无需外部教师即可提升开源 LLM 的多约束指令遵循能力