把研究者协作转化为任务与评分规则，嵌套耦合外壳进化与模型强化学习，实现科研智能体持续自改进。

揭示RL后训练中的马太效应，提出NGU自适应采样，动态重分配算力攻克难题。

用EPS评分找出低价值提示，教师改写为脚手架变体再注入训练，让RL持续获得有效学习信号

同一GRPO配方下，13种RLVR数据策略均无可复现增益

用多粒度具身思维链与GRPO强化学习，把推理表征显式解码为移动机器人的任务级动作

仅用15k合成积木题训练，LVLM域外空间推理全面超越空间专精模型

把广告视频生成分解为策略选择与草稿生成两阶段，用线上业务反馈训练奖励模型驱动DPO+GRPO优化。

用难度自适应树搜索、句子熵分叉与兄弟多样性奖励扩展 RLVR 的 pass@k 推理覆盖

把4D空间推理分解为平面、深度、时间三个可验证奖励，让VLM在RL中学会真正的空间思维。

无需验证器：动态量规评分，轨迹优势按步闭式重分配，长程智能体RL训练超越真值奖励基线

训练查询侧与物品侧两个LLM关键词生成器，经交替GRPO强化学习协同进化，直接以倒排索引完成检索

教师定位推理首个错误，把rollout切成对错两段分别赋优势，以极低成本增强RLVR

1.7B小模型隐层探针可作量规RL奖励，以10.7倍时间优势训出比8B生成式裁判更强的策略

纯后训练专用模型家族，单次调用生成幻灯片与可交互课件，用可执行探针把交互性变成可测量的奖励信号

用梯度对齐实时估计样本边际贡献并约束重加权，让RFT数据利用全程自适应

4B步骤级护栏模型，以前缀对齐数据与Balance-GRPO校正防御偏置，ASR降77.3%

RCCA把评分规则级功能反馈定位到代码片段，转化为GRPO的token级优化权重。

用“提问的未来收益减去交互成本”的决策奖励训练LLM策略，学会何时追问、何时纠正。

进化策略比GRPO推理覆盖更广：升Pass@1同时保住Pass@K，大参数漂移不等于灾难性遗忘

把提示深度从单一标量改为在线估计的高斯分布，零额外采样实现每任务自适应引导