面向全模态任务的多智能体编排框架与决策对齐强化学习方法。

用冻结小模型为大模型 GRPO 生成探索性 rollout，渐进切入到自采样的 S2L-PO 框架

通过多视图GRPO与自验证锚点，解决GUI定位RL训练奖励退化问题。

用层次化强化学习让LLM边读边想并自动分配计算

用双判官注入已知偏差构建可控环境，复现并自动检测rubric-RL奖励黑客

自监督双代理任务（端到端重建+中间记忆召回）预训练LLM记忆能力。

以欠优化区域挖掘与CPT-SFT-RL渐进训练把0.9B文档解析模型推至新SOTA。

用感知扰动构造数据集并经GRPO批排序奖励训练判官,缓解其重文本轻视觉的偏差。

用梯度-激活显著性重加权GRPO的token级优势，提升数学推理。

系统研究多智能体RL训练LLM工作流，揭示IP/SP策略共享的梯度机制与失败模式

在RLVR中引入时间调度维度，按时序从后向前渐进优化轨迹百分位token

浏览器宿主、以结构化 JSON 状态为核心的移动端仿真平台与基准，单机即可承载数百并行实例用于可验证评估与在线 RL 训练。

NoisyAgent：在训练中显式注入用户与工具噪声以提升LLM智能体鲁棒性

通过双路径 rollout 动态探测知识边界，引导 agentic RL 训练减少冗余工具调用。

为多奖励GRPO引入方差自适应权重，兼顾训练稳定与目标协同

提出基于验证器失败诊断的智能体-环境协同共演化框架 SEAL，用同一诊断信号同时驱动训练接口进化与策略梯度更新。

提出 CMRP 新任务和 UniCharacter 框架，用极少样本让统一多模态模型同时学会角色的语言风格与视觉外观。

把终端输出 token 当作监督信号，叠加到 GRPO 损失上，让失败轨迹也产生梯度。

用专用图像编辑器替代工具调用与统一多模态，让MLLM真正“用图像思考”。

首个用强化学习做相机控制视频重拍的框架，用度量3D评估器约束相机轨迹精度。