腾讯混元具身基础模型家族，MoT+自进化训练+蒸馏，2B 小模型 SOTA 22 基准。

用高斯分布匹配重写GRPO优势函数，破解多任务奖励拓扑不均衡。

提出HDPO强化学习框架，解耦准确率与工具效率奖励，教会多模态智能体Metis“何时不用工具”。

把一致性与视觉接地作为硬约束的GRPO变体，让多模态推理既准又真。

用序列级强化学习一次性预测整条ISP流水线及参数，避免逐步决策的不稳定。

提出 HiExp 框架，将搜索代理的随机探索转化为基于分层经验引导的策略性搜索

揭示多轮LLM Agent RL中推理表面多样但输入无关的「模板坍缩」，并提出MI诊断与SNR过滤。

Sol-RL 用 FP4 探索候选池，BF16 再生成关键样本，加速扩散 RL 4.64×。

首个RL驱动的智能体图学习框架，让LLM自主用图原生工具搜索后做节点分类/链接预测。

HiLL：联合训练提示器与推理器，让 GRPO 在难题上找回学习信号。

两阶段RLVR框架联合训练推理和自我改进，无需外部监督信号

统一扩散大语言模型后训练与评估的开源框架，支持多种模型家族和RL算法

提出 SciTikZer 模型与 Dual Self-Consistency 强化学习框架，从图像生成可编译的 TikZ 代码，在 8B 体量上超越 Gemini-2.5-Pro 与 Qwen3-VL-235B。

针对LLM代码修复中的「过度编辑」问题，提出编辑感知奖励与自造数据框架，显著提升修复精度与推理速度。

用数据工程而非架构创新，让1.2B小模型在文档解析上击败200倍参数的大模型。

提出 Manager-Planner-Executor 三体架构的双记忆深度研究代理，通过交替强化学习与测试时学习解决长上下文记忆噪声与检索成本问题。

首次系统分析 RLVR 噪声标签机制，提出在线标签精炼方法 OLR。

SRPO将正确样本路由到GRPO、失败样本路由到SDPO，实现早期效率和长期稳定性的双重优势

让代码模型学会模拟程序执行，通过自验证和自修复提升代码正确率

提出完全开源的视觉推理训练方案，通过六类任务的多任务RL实现广泛能力提升