用强化学习训练的工具调用Agent在胸部CT报告生成中显著超越3D视觉语言模型

提出 PreRL 与 DSRL：在预训练空间以 NSR 修剪错误推理路径，再切换到标准 RL 精调。

用结构化多维推理奖励替代标量打分，缓解奖励黑客并实现零参数测试时优化

把组内候选重加权变成闭式目标分布，用交叉熵直接拟合，梯度自动消失。

让模型自己当老师，把稀疏二元奖励转成稠密 token 级自监督。

用原子知识点重构强化学习提示，实现最小充分引导

统一开源框架，覆盖 GUI 智能体训练、评估、部署全链路

将推理任务重构为序列级上下文强盗问题，用标量价值函数解决PPO在长链推理中的信用分配不稳定问题

通过预先计算教师logprob,把OPD从需要实时教师服务变成单阶段训练,效率提升4倍。

在PyBoy环境里把反循环与访问掩码显式建模,让PPO学会宝可梦前期任务。

用历史错误模式的记忆惩罚，缓解 LLM 强化学习的错误坍缩。

基于轨迹正确性和困惑度进行双路自适应加权的在线策略蒸馏框架，提升LLM推理对齐效果

自动识别智能体能力缺失并合成针对性训练环境的端到端系统

将物理模拟器转化为可扩展的问答生成器，用合成数据训练LLM提升物理推理能力

首篇系统综述 LLM 强化学习中信用分配的论文,梳理 2024-2026 年 47 种方法并提出粒度×方法学二维分类体系。

用滑窗推理+压缩摘要的动态上下文管理让8B模型刷新SWE-Bench记录

训练LLM在隐私对话中扮演双面间谍：用RL学会主动建模并误导攻击者信念。

用医学知识库合成可控分布的推理题并通过半监督RL缓解罕见病数据稀缺。

先抽取结构化事件证据再做推理,并用P-FAB解决多目标RL的Pareto冲突。

筛选少量高方差用户提示，让 RL 提示优化在异质推理任务上突破全量训练瓶颈。